Anda di halaman 1dari 778

Anlisis cuantitativo

para la toma de decisiones

Anlisis cuantitativo
para la toma de decisiones
Octava edicin

Harold Bierman, Jr.


Cornell University

Charles P. Bonini
Stanford University

Warren H. Hausman
Stanford University
Versin en espaol de
Ernesto Morales Peake
Mxico, D.F.

Con la colaboracin de
M Josefa Peralta Estadillo
Universidad Pontificia de Comillas
ICADE
Madrid, Espaa
a

McGRAW-HILL
MXICO BUENOS AIRES CARACAS GUATEMALA LISBOA MADRID NUEVA YORK
PANAM SAN JUAN SANTAF DE BOGOT SANTIAGO SO PAULO
AUCKLAND HAMBURGO LONDRES MILN MONTREAL NUEVA DELHI PARS
SAN FRANCISCO SINGAPUR ST. LOUIS SIDNEY TOKIO TORONTO

ANLISIS CUANTITATIVO PARA LA TOMA DE DECISIONES

Prohibida la reproduccin total o parcial de esta obra,


por cualquier medio, sin autorizacin escrita del editor.

DERECHOS RESERVADOS 1988, respecto a la primera edicin en espaol por


McGRAW-HILL/INTERAMERICANA DE MXICO, S.A. de C.V.
UNA DIVISIN DE THE McGRAW-HILL COMPANIES, INC.
Cedro N 512, Col Atlampa
06450 Mxico, D.F.
Miembro de la Cmara Nacional de la Industria Editorial Mexicana,
Reg. Nm. 736

ISBN 970-10-1690-4
(ISBN 0-256-08267-7 octava edicin. Publicado por Richard D. Irwin, Inc.)

Traducido y adaptado de la octava edicin en ingls de


Quantitative Analysis for Business Decisions
Copyright MCMXCI, by Richard D. Irwin, Inc.
Primera impresin, por Addison Wesley, 1994
1234567890

L.I.-97

Impreso en Mxico
Esta obra se termin de
imprimir en Mayo de 1997 en
Litogrfica Ingramex
Centeno Nm. 162-1
Col. Granjas Esmeralda
Delegacin Iztapalapa
C.P. 09810 Mxico, D.F.

Se tiraron 4650 ejemplares

9086543217
Printed in Mxico

Prefacio

En esta octava edicin de Anlisis cuantitativo para la toma de decisiones,


intentamos hacer cambios que sean consistentes con el objetivo que se describi
en el prefacio de la primera edicin: que el material sea comprensible para los
lectores que no tengan amplios antecedentes matemticos. El principio de cada
captulo presenta material de introduccin ms amplio y adems se aadieron
resmenes de los conceptos ms importantes.
As mismo, se agregaron varios problemas nuevos. Los problemas se agrupan
de la manera siguiente: problemas con respuestas, problemas, problemas ms
difciles y casos. Al final del libro se encuentran las respuestas al primer grupo
de problemas; con esto se presenta la oportunidad de que los estudiantes tengan
retroalimentacin inmediata. Tambin efectuamos varios cambios en el libro para
que la presentacin fuera ms clara.
Agradecemos el apoyo de Joan Hausman en el rediseo de varias de las
figuras y tablas.
La lista de personas que nos han ayudado es cada vez mayor. Queremos
extender nuestro agradecimiento especial a los usuarios de las ediciones anteriores
que se tomaron la molestia de sealar los errores que cometimos y nos ofrecieron
recomendaciones para mejorar esta edicin. Se agradece mucho su ayuda.
Para la octava edicin reorganizamos y reescribimos gran parte del material
acerca de la programacin lineal. Incluimos, despus del popular captulo acerca
de la formulacin de programas para la programacin lineal, un captulo nuevo
que abarca la solucin grfica, la solucin por computador, la interpretacin de
precios duales y el anlisis de sensibilidad, todo ello con base en el mtodo grfico
y en la interpretacin de soluciones por computador. El mtodo smplex se analiza
en un captulo aparte, que puede omitirse, si as se desea, sin menoscabar el
conocimiento de las ventajas que presenta la programacin lineal para la administracin de empresas.
Tambin modificamos considerablemente el captulo acerca de la teora de
colas, aadiendo modelos de tiempos de servicio generales y deterministas y
haciendo hincapi en los conceptos para la direccin. Agregamos un apndice al
v

vi

Prefacio
captulo dedicado a la simulacin, donde se muestra cmo llevar a cabo una
simulacin de Montecarlo en una hoja de clculo. Eliminamos el captulo acerca
de la estadstica clsica y agregamos un breve anlisis de los diagramas de
influencia, el anlisis conjunto y la "maldicin del ganador" en distintas partes
del texto. As mismo, combinamos dos de los captulos anteriores los relacionados con la teora de la decisin y la modificacin de probabilidades para
formar un captulo integral.
Aunque ya no se considera que Lawrence Fouraker y Robert Jaedicke sean
autores del libro, reconocemos que gran parte del material representa sus palabras
y sus ideas.
Harold Bierman, Jr.
Charles P. Bonini
Warren H. Hausman

Agradecimientos
Queremos agradecer a los siguientes revisores sus valiosas recomendaciones en
las ediciones ms recientes. Apreciamos sus contribuciones.
Thomas Boln, University of Illinois
Linda Salchenberger, hoyla University
Mary Rolfes, Mankato State University
George Vlahos, University of Dayton
Peter Ellis, Utah State University
Mike Middleton, University of San Francisco
Steve Achtenhagen, San Jos State University
G. John Miltenburg, McMaster University
Mark Walker, State University of New YorkStonybrook
Tim Ireland, Oklahoma State University
W. E. Pinney, University of Texas
Prem S. Mann, California State UniversityFullerton

vii

Extracto del prefacio


de la primera edicin
La administracin de una empresa moderna es una tarea de enorme complejidad.
Cada vez es mayor la tendencia a utilizar tcnicas y modelos cuantitativos como
medio potencial para resolver muchos de los problemas que surgen en la empresa.
El propsito de este libro es describir una muestra representativa de los modelos
y sus tcnicas cuantitativas relacionadas. Esperamos que el libro sirva como base
para un curso... que sirva como eslabn entre los cursos matemticos y los cursos
de administracin aplicada.
Este libro es una introduccin a la aplicacin de las matemticas en los
problemas empresariales; no se trata de una introduccin a las matemticas
aplicadas. Hemos resumido, de manera un poco burda y simplista desde el punto
de vista de un matemtico, algunas de las herramientas matemticas que se
emplean. Nuestro propsito es presentar al lector nuestra notacin y algunas
relaciones bsicas, ms que ensearle matemticas.
Hemos intentado minimizar la cantidad de formacin matemtica necesaria
para leer el libro. . . Los lectores que no tengan conocimiento formal de estos
temas no debern pensar que el libro est fuera de sus posibilidades.
Este libro pretende considerar tcnicas que se relacionan con problemas difciles y complejos; por esto, aunque tratamos de usar el medio de exposicin ms
sencillo, evitando las demostraciones y gran parte del rigor caracterstico de estos
tratamientos, permanece la esencia de las tcnicas. Estas propiedades slo se
pueden comprender si se aplican con paciencia durante un periodo prolongado.
Harold Bierman, Jr.
Lawrence E. Fouraker
Robert K. Jaedicke

viii

ndice general

PARTE I

Modelos y toma de decisiones, 1


1

Introduccin al anlisis cuantitativo, 3


Decisiones empresariales, 3
Abstraccin y simplificacin, 4
Construccin de modelos, 5
Soluciones, 5
Errores, 6
Tcnicas para la construccin de modelos, 6
Decisiones e incertidumbre, 8
Clasificacin de modelos, 9
Problemas sencillos
Problemas complejos
Problemas dinmicos Sistemas de apoyo
para las decisiones, 11
Bibliografa, 12
Problemas con respuestas, 12
Problemas, 13
Problemas ms difciles, 13

Introduccin a la construccin de modelos, 15


Introduccin, 15
Conceptos del modelo bsico, 15
ix

ndice general
Variables de decisin
Variables exgenas
Polticas y restricciones
Medidas de rendimiento
Variables intermedias
El modelo y la relacin entre variables, 17
Ejemplo: Modelo de un aserradero, 18
Relaciones: Diagrama de influencia
Relaciones fsicas
Relaciones financieras
Anlisis con el modelo, 22
Implantacin del modelo en un computador, 23
Frmulas para otros trimestres
Ejemplos de anlisis con el modelo, 27
Anlisis de sensibilidad
Ejemplo: Modelo New York Tunes, 33
Apndice: Valor actual y futuro del dinero, 34
Bibliografa, 35
Problemas con respuestas, 35
Problemas, 36
Problemas ms difciles, 37
Caso 2-6: Super Spuds, Inc., 38
Caso 2-7: Chase Manufacturing, 40
Caso 2-8: Gotham City Times, 45

PARTE II

Anlisis de decisiones, 49
3 Conceptos bsicos de probabilidad, 51
Probabilidades objetivas y subjetivas, 51
Enunciados bsicos de la probabilidad, 53
Sucesos mutuamente excluyentes, 53
Sucesos independientes, 54
Sucesos dependientes, 55
Probabilidades condicional, marginal y conjunta, 56
Modificacin de probabilidades, 62
Variables aleatorias, 64

ndice general

Valor esperado de una variable aleatoria


Sumas de variables aleatorias
Constante multiplicada por una variable aleatoria
Varianza y desviacin estndar de una variable aleatoria
Proceso de Bernoulli y distribucin binotnial, 70
Distribucin de probabilidad binomial, 72
Funcin de probabilidad binomial, 73
Bibliografa, 76
Problemas con respuestas, 76
Problemas, 78
Problemas ms difciles, 82
4

Toma de decisiones en condiciones de incertidumbre:


Modificacin de probabilidades, 85
Valor condicional, 85
Tabla de prdidas, 87
Valor monetario esperado, 88
Prdida de oportunidad esperada, 90
Utilidad esperada, 91
Beneficio esperado con pronsticos perfectos, 92
Valor esperado de la informacin perfecta, 93
Anlisis de sensibilidad de las probabilidades subjetivas, 94
rboles de decisin, 96
rbol de decisin para el problema del tendero
Diagrama de influencia
Anlisis del problema de decisin
Desarrollo del rbol de decisin
Modificacin de probabilidades, 103
Valor de la informacin imperfecta, 105
Determinacin de probabilidades, 108
Valor de la informacin del estudio, 113
Conclusin, 114
Bibliografa, 115
Problemas con respuestas, 115
Problemas, 118
Problemas ms difciles, 127
Caso 4-45: Departamento Estatal de Bosques, 133

xi

xii

ndice general
Caso 4-46: Particular Motors, 134
Caso 4-47: Planta de montaje de automviles, 136
Caso 4-48: Telco, 137
5

Teora de la decisin, 140


El problema de decisin, 141
Criterios de decisin, 142
Igualmente probable
Maximax
Minimax
Probabilidad mxima
Regla de decisin del valor esperado
Dominacin
Dominacin en rboles de decisin
Funciones lineales, 152
Producto de variables aleatorias independientes, 153
Conclusin, 155
Bibliografa, 156
Problemas con respuestas, 156
Problemas, 157
Problemas ms difciles, 160

La utilidad como base para la toma de decisiones, 162


Utilidad, 163
Medida de la utilidad, 164
Hiptesis psicolgicas, 165
Cambio de escala
Obtencin de una funcin de utilidad para el dinero, 169
La forma de las funciones de utilidad
Costruccin de una funcin de utilidad
Utilizacin de funciones de utilidad, 173
Equivalentes ciertos
Primas de riesgo
Funciones de utilidad y preferencia por el riesgo, 177
Funciones de utilidad multiatributo, 180
Atributos no comparables: Dominacin
Eleccin entre alternativas
Anlisis conjunto

ndice general

xiii

Resultados en riesgo, 184


Teora de las perspectivas, 187
Bibliografa, 190
Problemas con respuestas, 190
Problemas, 192
Problemas ms difciles, 194
7

Distribucin de probabilidad normal y valor de la


informacin, 196
Distribuciones de probabilidad, 196
Funciones de masa acumulada, 198
Funciones de distribucin acumulada, 199
La distribucin de probabilidad normal, 201
Colas a la izquierda y a la derecha, 203
La variable normal estandarizada y tablas de probabilidad normal, 204
Probabilidades a priori normales y el valor de la informacin, 206
Bibliografa, 213
Problemas con respuestas, 213
Problemas, 214
Problemas ms difciles, 216

Modificacin de probabilidades normales por muestreo, 219


Distribuciones de probabilidad, 220
Modificacin de la distribucin a priori, 223
Modificacin de la desviacin estndar
Distribucin normal a posteriori y toma de decisiones, 226
Decisin de muestrear, 227
Situacin inicial
Distribucin esperada a posteriori
Valor esperado de la informacin de la muestra
Decisin de muestrear
Tamao ptimo de la muestra, 232
Un ejemplo integral, 233
Conclusin, 238 Bibliografa, 238
Problemas con respuestas, 238
Problemas, 239
Problemas ms difciles, 241

xiv

ndice general

9 Teora de juegos, 244


Juegos, 244
Juegos de dos personas con suma cero, 245
Estrategias mixtas, 248
Solucin grfica, 249
Solucin algebraica, 252
Solucin de programacin lineal
Evaluacin de la estrategia minimax, 254
Juegos con suma distinta de cero, 255
Resultados inciertos, 256
Oferta competitiva: Maldicin del ganador, 256
Conclusiones, 257
Bibliografa, 258
Problemas con respuestas, 258
Problemas, 259
Problemas ms difciles, 260

PARTE III Programacin matemtica, 263


10 Introduccin a la programacin lineal, 265
Formulacin de problemas de programacin lineal, 267
Ejemplo 1: Problema de mezcla de productos
Ejemplo 2: Problema de transporte
Ejemplo 3: Problema de mezcla
Ejemplo 4: Problema de programacin de actividades
Ejemplo 5: Modelo integrado de planificacin corporativa
El arte de formular modelos de programacin lineal, 278
Limitaciones de la programacin lineal, 281
Bibliografa, 282
Problemas con respuestas, 283
Problemas, 285
Problemas ms difciles, 291
Caso 10-28: Impala Gold Company, 298
Caso 10-29: Tienda de departamentos Racy's, 299
Caso 10-30: Daguscahonda Mines Company, 300

ndice general

11 Resolucin de problemas de programacin lineal


Solucin grfica, 302
Anlisis de sensibilidad para las restricciones, 307
Precios duales
Intervalos de variacin del trmino independiente, 313
Anlisis de sensibilidad: Evaluacin de nuevos productos, 315
Anlisis de sensibilidad: Coeficientes de la funcin objetivo, 316
Minimizacin, 318
Mtodo algebraico, 320
Solucin por computador de problemas de programacin lineal, 324
Programacin lineal en paquetes de hoja de clculo
Programacin paramtrica, 326
Apndice: Interpretacin de resultados de LINDO, 333
Bibliografa, 337
Problemas con respuestas, 337
Problemas, 338
Problemas ms difciles, 344
12 Programacin lineal: Mtodo smplex, 351
Formulacin algebraica, 351
Mtodo smplex, 352
Tabla del smplex
Solucin inicial
Determinacin de una nueva solucin
Tercera solucin
Revisin de optimalidad
Situaciones especiales, 370
Degeneracin
Anlisis de sensibilidad, 373
Interpretacin econmica de los valores Cj - Zj
Intervalos del trmino independiente
Cambios en los precios
Ejemplo integral, 379
Precios duales y costos reducidos
Adicin de nuevos productos
Intervalos del trmino independiente
Intervalos de coeficientes en la funcin objetivo

xv

xvi

ndice general
Apndice. Programacin lineal: El problema dual, 388
Bibliografa, 394
Problemas con respuestas, 394
Problemas, 397
Problemas ms difciles, 401
13 Programacin lineal: Temas especiales, 404
Problema de transporte, 404
Evaluacin de rutas alternativas
Soluciones enteras
Degeneracin
Oferta distinta de la demanda
Soluciones por computador
Interpretaciones econmicas, 410
Costos de rutas indirectas
Cambios en costos de envo
Ventajas de la ubicacin
Objetivos mltiples y programacin por metas, 412
Mtodo 1: Un slo objetivo con otros como restricciones
Mtodo 2: Definicin de compensaciones entre objetivos
Mtodo 3: Programacin por metas
Mtodo 4: Programacin por prioridades
Apndice: Problema de transporte expresado en forma convencional de
programacin lineal, 419
Bibliografa, 420
Problemas con respuestas, 420
Problemas, 422
Problemas ms difciles, 425
14 Programacin entera y procedimientos de ramificacin y

acotamiento, 429
Formulacin de problemas de programacin entera, 431
Problema de cargo fijo
Problema de tamao de lote
Restricciones mutuamente excluyentes
Ejemplos de formulaciones enteras, 433
Problema de presupuesto de capital
Problema de expansin de capacidad

ndice general
Tamao y ubicacin de fbricas
Solucin de problemas de programacin entera, 439
Algoritmo de ramificacin y acotamiento
rbol de posibilidades de solucin
Solucin del ejemplo por ramificacin y acotamiento
Discusin
Solucin por computador
Discusin
Apndice: Procedimientos de ramificacin y acotamiento para
problemas combinatorios, 453
Bibliografa, 459
Problemas con respuestas, 460
Problemas, 462
Problemas ms difciles, 466
Caso 14-25: Alien Company, 470
Caso 14-26: Rodney Development Company, 472

PARTE IV Modelos deterministas y probabilsticos, 475


15 Control de inventarios con demanda constante, 477
Anlisis ABC, 478
Realizacin de un anlisis ABC
Advertencias con respecto al anlisis ABC
Cantidad econmica de pedido con demanda conocida, 481
Sensibilidad de los costos ante errores en Q
Descuentos por volumen, 485
Pedidos permanentes
Hiptesis de flujo continuo de un producto, 487
Sistemas de inventario justo a tiempo, 488
Rotacin de inventarios
Apndice: Tamao del lote de produccin, 491
Bibliografa, 492
Problemas con respuestas, 492
Problemas, 493
Problemas ms difciles, 494

xvii

xviii

ndice general

16 Control de inventarios con reorden y demanda incierta, 497


Modelo de costo de escasez, 500
Hiptesis, 500
Modelo, 500
Punto ptimo de pedido: mtodo marginal, 501
Clculo de la desviacin estndar de la demanda durante el tiempo de
entrega (M)
Costo total esperado Modelo de nivel de servicio, 507
Otras mediciones de la escasez
Sistemas justo a tiempo
Apndice: Determinacin del punto ptimo de pedido y tamao del
pedido, 509
Bibliografa, 512
Problemas con respuestas, 512
Problemas, 513
Problemas ms difciles, 514
17 Control de inventarios con incertidumbre y sin reorden, 517
Mtodo marginal, 518
Costo de la reaccin negativa, 521
Uso de una distribucin continua de probabilidad, 522
Costos relevantes
Bibliografa, 525
Problemas con respuestas, 526
Problemas, 526
Problemas ms difciles, 528
18 Colas de espera: Teora de colas, 532
Experiencia y colas
Modelos matemticos de colas, 533
Modelo de colas con un solo punto de servicio, 535
Comportamiento del sistema de colas, 539
Tiempos generales de servicio: Modelo M/G/l, 540
Tiempos constantes de servicio: Modelo M/D/l, 541
El papel de la variabilidad
Puntos de servicio mltiples: Modelo M/M/c, 542
Instalaciones agrupadas, 547

ndice general
Conclusin, 548
Apndice 1: Proceso y distribucin de Poisson, 550
Apndice 2: Obtencin de la frmula bsica de colas, 552
Bibliografa, 554
Problemas con respuestas, 554
Problemas, 555
Problemas ms difciles, 556
19 Simulacin, 559
Simulacin probabilstica, 560
Simulacin y computadores
Simulacin y control de inventarios, 565
Anlisis de riesgo, 567
Simulacin con distribuciones continuas de probabilidad, 572
Mtodo grfico
Generacin de variables aleatorias por computador
Simulacin de sistemas complejos, 574
Apndice 1: Mtodo algebraico para generar variables aleatorias, 576
Apndice 2: Simulacin de Montecarlo en hojas de clculo, 577
Bibliografa, 587
Problemas con respuestas, 587
Problemas, 588
Problemas ms difciles, 589
20 PERT: Tcnica de evaluacin y revisin de programas, 592
Requisitos de informacin
Caso I: Tiempos conocidos de actividades, 593
Diagrama de red
Ruta crtica, 594
Algoritmo para la ruta crtica
Holgura y ruta crtica
Compensaciones entre tiempo y costo, 599
Caso II: Tiempos de actividad inciertos, 603
Varias estimaciones para tiempos de actividad inciertos
Simulacin de redes PERT, 607
Evaluacin de PERT, 609
Bibliografa, 610
Problemas con respuestas, 610

xix

xx

ndice general

Problemas, 611
Problemas ms difciles, 613
21 Procesos de Markov, 617
Anlisis a corto plazo
Anlisis de estado estacionario
Clculo de probabilidades de estado estacionario, 622
Caractersticas de un proceso de Markov, 624
Comportamiento en estado estacionario de un proceso de Markov de dos
estados, 625
Utilizacin de los procesos de Markov en problemas de decisin, 626
Solucin de estado estacionario para problemas mayores, 630
Bibliografa, 633
Problemas con respuestas, 633
Problemas, 634
Problemas ms difciles, 635
22 Programacin dinmica, 639
Conceptos bsicos, 640
Formalizacin de la tcnica de programacin dinmica, 642
Principio de optimalidad, 643
Formulacin y solucin de problemas de programacin dinmica, 654
Programacin dinmica en condiciones de incertidumbre, 655
Apndice: Uso de programacin dinmica en procesos de Markov, 659
Bibliografa, 663
Problemas con respuestas, 663
Problemas, 665
Problemas ms difciles, 669
Apndice de tablas, 673
Tabla A: Funcin de distribucin normal estandarizada, 673
Tabla B: Funcin de prdida de la distribucin normal estandarizada, 674
Tabla C: Distribucin binomial acumulada, 675
Solucin de problemas seleccionados, 693
ndice, 748

PARTE

Modelos y
toma de decisiones

CAPTULO

Introduccin al anlisis
cuantitativo
Este libro trata sobre la toma de decisiones en la empresa, proceso por medio del
cual la gerencia, al enfrentarse a un problema, selecciona un curso de accin
especfico o "solucin", de un conjunto de alternativas. Puesto que por lo general
hay incertidumbre con respecto al futuro, no es posible estar seguro de las
consecuencias de la decisin que se tome, y tampoco se puede asegurar que la
decisin que se elija produzca los mejores resultados. Adems, el problema puede
ser muy complejo, ya sea porque existan muchas alternativas por considerar o un
gran nmero de factores que deben tomarse en cuenta.
El libro presenta un mtodo general para que puedan utilizarlo los directivos
cuando se enfrenten a problemas de decisin, as como herramientas cuantitativas
especficas para tipos particulares de problemas.

Decisiones empresariales
El director de una empresa quiere escoger la accin ms efectiva para alcanzar
las metas de la organizacin. Al juzgar la eficacia de las distintas decisiones
posibles, hay que utilizar algn criterio o medida del rendimiento. La medida ms
comn del rendimiento es la unidad monetaria, pero en los captulos siguientes
se ver que para ciertas decisiones estas unidades no son adecuadas para determinar las ventajas relativas de distintos cursos de accin.
El proceso general que se presenta a continuacin es comn para todos los tipos
de situaciones de toma de decisiones:
1. Establecer el criterio que se usar. Por ejemplo, en una situacin sencilla, el
criterio puede ser elegir la accin que maximice los beneficios.
2. Seleccionar un conjunto de alternativas para considerarlas.

Parte I Modelos y toma de decisiones

3. Determinar el modelo que se usar y los valores de los parmetros del proce
so. Por ejemplo, se podra decidir que una expresin adecuada de los gastos
totales sera:
Gastos totales = a + b(unidades vendidas)
Los parmetros son a y b y ser necesario determinar sus valores para poder
utilizar el modelo.
a = Costo fijo para el periodo o proyecto
b = Costo variable (marginal) por unidad
4. Determinar cul de las alternativas optimiza (es decir, produce el mejor valor
para) el criterio que se estableci en el paso 1.
Ejemplo

Se pueden vender al gobierno 1000 unidades de un producto, al precio de 50 dlares


por unidad. Deber aceptarse el pedido? La empresa tiene exceso de capacidad.
1. Se usar el criterio de maximizacin de beneficios.
2. Las alternativas son (a) aceptar el pedido o (b) rechazar el pedido. De acuerdo
con el criterio de beneficios, se aceptar el pedido si aumenta el beneficio o se
rechazar si no lo aumenta.
3. Hay que saber cules son los gastos marginales o adicionales de la produccin
de 1000 unidades. El modelo de gastos que se aplica es:
E = a + 1000b
Suponga que se tendrn que comprar troqueles especiales con costo de 5000
dlares (a es igual a 5000 dlares) y que los costos variables para producir una
unidad son de 30 dlares (b es igual a 30 dlares). Los gastos relevantes totales
para satisfacer el pedido son de 35 000 dlares (equivalente a 5000 dlares ms
30 000 dlares).
4. Al comparar los ingresos (50 000 dlares) y los gastos (35 000 dlares), se
obtiene que debe aceptarse el pedido. El beneficio aumentar 15 000 dlares
si "se acepta", en comparacin con la alternativa "se rechaza".
En el ejemplo anterior se aplicaron conocimientos bsicos y tcnicas de clculo
sencillas. Sin embargo, al tratar con problemas ms complejos, se pueden requerir
otras herramientas de anlisis cuantitativo, como el clculo, la probabilidad, la
estadstica y la programacin (lineal, entera y dinmica).
En seguida consideraremos algunos aspectos relativos a la elaboracin de modelos.

Abstraccin y simplificacin
Los problemas del mundo real tienden a ser de complejidad enorme. Hay,
literalmente, una cantidad incontable de "factores" intrnsecos en cualquier sita-

Captulo 1 Introduccin al anlisis cuantitativo

cin emprica. Adems, cada accin potencial inicia una cadena de causa, efecto
e interaccin que, como es lgico, nunca termina.
Considere el problema de construir un edificio. Se podra utilizar una cantidad
enorme de tiempo para recopilar informacin de los factores relacionados con la
situacin: por ejemplo, la ubicacin precisa y las caractersticas fsicas del
edificio; un estudio detallado de las condiciones climticas de los lugares posibles
y la influencia que tendran en los costos de construccin; las fuentes de financiacin que se usaran y sus costos. El decisor puede optar por considerar especficamente y con detalle todos los usos alternativos posibles de los fondos en este
periodo y los subsecuentes. Si el decisor adopta la estrategia de recopilar todos
los hechos antes de actuar, nunca se emprender la accin. La mente no puede
considerar todos los aspectos de un problema emprico. Hay que omitir algunos
de los atributos del problema para poder tomar una decisin. El decisor debe
determinar cules son los factores ms relevantes para el problema. La abstraccin
y la simplificacin son pasos necesarios para resolver cualquier problema humano. Nuestro objetivo es mejorar la toma de decisiones, no ofrecer un pretexto
para no tomar una decisin.

Construccin de modelos
Una vez que el decisor selecciona los factores decisivos, o variables, de la
situacin emprica, stos se combinan de manera lgica para que formen un
modelo del problema real. Un modelo es una representacin simplificada de una
situacin emprica. De manera ideal, elimina la complejidad abrumante de un
fenmeno natural y resalta el comportamiento bsico del mismo a travs de unas
cuantas variables que se relacionan de manera sencilla. Si es ms sencillo el
modelo, es mejor para la persona que toma la decisin, siempre y cuando
el modelo sea un smil razonablemente confiable del problema emprico. Las
ventajas de contar con un modelo sencillo son:
1. Reduce la cantidad de tiempo y esfuerzo.
2. El decisor puede comprenderlo rpidamente.
3. Si es necesario, el modelo se puede modificar de manera rpida y efectiva.
El objetivo del decisor no es construir un modelo que sea lo ms parecido
posible a la realidad. Se requerira demasiado tiempo para construir este modelo
y a final de cuentas podra quedar fuera de los lmites de la comprensin. En
cambio, se busca el modelo ms sencillo que pronostique los resultados con
precisin razonable y que sea consistente con la accin efectiva.

Soluciones
Despus de construir el modelo, se pueden obtener conclusiones acerca de su
comportamiento, por medio del anlisis lgico. Quien toma la decisin basa sus

Parte I Modelos y toma de decisiones

acciones o decisiones en estas conclusiones. Si es correcta la lgica utilizada para


obtener las conclusiones a partir de las variables abstradas, y si se abstrajeron las
variables relevantes, entonces la solucin del modelo servir eficazmente para el
problema emprico. En nuestro ejemplo, se podra decidir que una tasa de inters
del 15% mide el costo de oportunidad anual del dinero de la empresa. As, la
empresa puede decidir acerca de la construccin del edificio por medio del clculo
del valor neto actual de los flujos de efectivo y no considerar con detalle las
alternativas de inversin.

Errores
Dos errores importantes que ocurren al usar modelos para la toma de decisiones son la exclusin de variables importantes y las equivocaciones al definir
las relaciones entre variables. Por ejemplo, en el problema relacionado con el
contrato con el gobierno, suponga que se puede esperar una prdida del 40%
en la produccin, por causa de especificaciones de producto muy rigurosas.
Si existiera este factor y se omitiera del anlisis, el modelo no representara
de manera adecuada la situacin para una decisin (se obtendra la decisin
equivocada).

Tcnicas para la construccin de modelos


Los modelos se pueden representar de varias maneras. En el caso de problemas sencillos y repetitivos, todo el proceso de toma de decisiones puede ocurrir
en la mente del decisor, quizs de manera informal e intuitiva. Todos los das
caminamos, comemos y abrimos puertas sin necesidad de modelos formales.
Si el problema es menos comn o ms complejo, pensamos un poco ms acerca
de l.
La tcnica apropiada para describir y relacionar las variables seleccionadas
depende en gran medida de la naturaleza de las variables. Si se pueden medir de
alguna forma, y sobre todo si se les puede dar una representacin cuantitativa,
hay fuertes razones para usar una representacin matemtica del modelo. En
primer lugar, las matemticas poseen una disciplina rigurosa que asegura un
procedimiento ordenado por parte del investigador; hay que ser especficos con
respecto a las variables que se seleccionaron y a las relaciones que supuestamente
existen entre ellas. En segundo lugar, las matemticas son una tcnica poderosa
para relacionar variables y obtener conclusiones lgicas a partir de determinadas
premisas. Al combinar las matemticas con los computadores modernos, se
pueden manejar problemas que requieren modelos de gran complejidad y es ms
sencillo el proceso de toma de decisiones cuando puede aplicarse el anlisis
cuantitativo.
Se ha representado cuantitativamente, con xito, gran nmero de problemas
empresariales, de donde surge el procedimiento general llamado anlisis cuanti-

Captulo 1 Introduccin al anlisis cuantitativo

tativo, ciencia de la decisin, ciencia de la direccin o investigacin de operaciones. Por supuesto, la representacin cuantitativa y la resolucin de problemas
empresariales son mucho ms antiguas que estas etiquetas, como lo demuestra la
prctica de la contabilidad. No obstante, el anlisis cuantitativo se ha extendido
a otra reas de las operaciones de la empresa y se ha establecido como una manera
eficaz de atacar ciertos problemas de decisiones empresariales. Los directores
actuales tienen que conocer estas tcnicas y estos modelos tan bien como conocen
los informes de contabilidad.
Hay que hacer una advertencia: los ejecutivos de una empresa nunca debern
ser prisioneros de un modelo cuantitativo ni aceptar automticamente sus conclusiones como si fueran la decisin correcta. La conclusin que se obtiene de un
modelo contiene cierto grado de error, debido al proceso de abstraccin. Es
cuestin de juicio determinar cundo es tan grande el error que hay que modificar
la conclusin antes de aceptarla como solucin. La cuantificacin es un auxiliar
del juicio empresarial, no un sustituto. Al considerar el anlisis cuantitativo de
problemas empresariales, es deseable usar el mismo grado de escepticismo
constructivo que se aplica a otros procesos de toma de decisiones.
Factores cualitativos. Muchas decisiones empresariales, en particular las ms
importantes, comprenden algunas variables que son de naturaleza cualitativa,
ms que cuantitativa. Por ejemplo, las decisiones importantes pueden afectar la
moral o el liderazgo en una organizacin, o pueden alterar el empleo, las acciones
positivas, la contaminacin u otras reas de responsabilidad social. Muchos de
estos factores no pueden expresarse en trminos monetarios; entonces, cmo
considera el decisor estas variables cualitativas?
Primero, hay dos actitudes externas que deben evitarse. Una es omitir los
factores cualitativos, con el argumento de que los factores que no pueden medirse
no son importantes. El otro extremo sera afirmar que los modelos cuantitativos no
tienen valor, ya que slo los factores cualitativos son importantes.
Un mtodo ms sensato es aceptar la idea de que el modelo cuantitativo puede
tratar de manera eficaz los aspectos mensurables del problema de decisin, y que
el decisor tambin deber contar con un modelo intuitivo que considere las
variables cualitativas. El director deber hallar un equilibrio adecuado entre los
factores cualitativos y los cuantitativos.

RESUMEN

Al tomar decisiones empresariales se debe establecer el criterio para la toma de


decisiones, seleccionar las alternativas, determinar un modelo y evaluar las
alternativas con base en el modelo para seleccionar la mejor.
Un modelo es una abstraccin y simplificacin de un problema real, que de
manera ideal incorpora los elementos y las relaciones esenciales del problema
real. Resolver un modelo significa obtener las conclusiones lgicas que sirvan
como gua eficaz para tomar decisiones, si el modelo se dise y se resolvi
correctamente. La toma de decisiones comprende la integracin de la informacin cuantitativa que se obtiene del modelo y el juicio intuitivo acerca de los
factores cualitativos.

Parte I Modelos y toma de decisiones

Decisiones e incertidumbre
Las decisiones empresariales ocurren en dos contextos esencialmente distintos:
en condiciones que se aproximan a la certidumbre y, lo ms comn, en condiciones
de incertidumbre. El anlisis cuantitativo que apoya la toma de decisiones en
condiciones de certidumbre generalmente se refiere a la maximizacin de un
objetivo (por ejemplo, el beneficio o la produccin) sujeto a restricciones (por
ejemplo, la capacidad productiva).
En el ejemplo del principio del captulo se compararon las alternativas "aceptar
el pedido" y "rechazar el pedido" para un contrato con el gobierno por 1000
unidades. sta fue una decisin en condiciones de certidumbre. Se compararon
las dos alternativas y, como el beneficio era 15 000 dlares mayor al aceptar el
pedido, se eligi esta alternativa.
Suponga, que se modifica ligeramente la situacin anterior. Se vender el
producto a 50 dlares por unidad y, como antes, los gastos de produccin de X
unidades son:

Pero ahora hay incertidumbre acerca del nivel real de las ventas. Las ventas pueden ser de 100 unidades, de 250 o de 1000, pero no se sabe con seguridad cul ser el nivel que se alcance. Las dos alternativas son: (1) lanzar el
producto al mercado y aceptar los beneficios o las prdidas que surjan, o (2)
rechazar el proyecto y no obtener beneficios. Suponga que hay que aplicar
los 5000 dlares de costos fijos antes de conocer la demanda real, pero que se
pueden producir unidades despus de conocer la demanda (no hay problemas
de inventario).
La figura 1-1 ilustra un rbol de decisin para este problema. Las alternativas
(lanzar al mercado o no hacerlo) se representan como ramas que parten del nudo (o
nodo) cuadrado; y los sucesos inciertos (niveles de ventas), como ramas que parten del nudo circular. La figura 1-1 tambin contiene los beneficios o las prdidas
que se obtienen de cada nivel de ventas posible y que se calculan como sigue:

Ventas

Ingresos
(50 por unidad)

Gastos
(5000 + 30 por unidad)

Beneficio
(ingresos - gastos)

100
250
1000

5 000
12 500
50 000

8 000
12 500
35 000

-3 000
0
15 000

Aunque se han descrito claramente las alternativas y sus consecuencias, no es


obvia la decisin. La mejor alternativa depende de cuan "probable" sea cada nivel
de ventas. Si se tiene la seguridad de que las ventas sern de 1000 unidades, hay
que lanzar el producto al mercado. Si lo ms seguro es que las ventas slo sean

Captulo 1 Introduccin al anlisis cuantitativo

Figura 1-1

Alternativas y consecuencias de la decisin de lanzar un producto al mercado

de 100 unidades, hay que rechazar el proyecto y evitar una prdida de 3000 dlares. Si las ventas fueran de 250 unidades, no importara la alternativa que se
eligiera, ya que los beneficios de ambas decisiones son de cero dlares.
Cuando se desconoce el estado real de la situacin, el decisor tiene que actuar
con informacin imperfecta. Hay varios procedimientos de toma de decisiones
que tienen que ver con la informacin imperfecta; se analizarn algunas de las
tcnicas ms tiles ms adelante en este libro. Estas tcnicas comprenden tanto
el uso de probabilidades para representar el juicio acerca de la posibilidad de
ocurrencia de los sucesos como los procedimientos para determinar el valor
de obtener ms informacin antes de actuar.

Clasificacin de modelos
En el libro se analizarn varios tipos de modelos de decisin, los cuales se
clasifican en la figura 1-2. Los modelos se clasifican como ciertos si se supone
que se conocen los factores principales, y como inciertos si se desconocen
algunos factores.

Problemas sencillos
Al construir el modelo para el anlisis hay que simplificar todos los problemas.
Si con esto se obtiene un nmero pequeo de factores o variables, y relativamente

10

Parte I Modelos y toma de decisiones

Figura 1-2

Tipos de modelos
Las variables principales en los problemas de decisin
Cierto
El problema de decisin es:
Sencillo

Complejo

Dinmico

son: Incierto

Modelos de caso

Anlisis de decisiones
(rboles de decisin)

Modelos de caso
Programacin
lineal y entera

Simulacin

Modelos de inventarios

Modelos de inventarios

Modelos PERT (ruta crtica)

Modelos de colas

Programacin dinmica

Procesos de Markov
Programacin dinmica

pocas alternativas, se dice que el modelo es sencillo. Los modelos sencillos


pueden ser muy tiles, incluso para problemas de decisin importantes.
Un caso o modelo de situacin es un modelo de un problema de decisin que
se analiza ensayando una serie de casos (posibles resultados o situaciones) con
diversas alternativas o distintas hiptesis. Este modelo no se disea para encontrar
en forma directa la "mejor" solucin. Ms bien, el director usa el modelo en un
proceso por tanteo. La mayora de los dems tipos de modelos que aparecen en
la figura 1-2 son modelos de optimizacin, donde se usan procedimientos
matemticos para encontrar la solucin ptima. Los modelos de caso se describen
en el captulo 2.
Los modelos de anlisis de decisiones incorporan la aplicacin de probabilidades para tomar decisiones en condiciones inciertas. Con frecuencia comprenden el uso de rboles de decisin similares al de la figura 1-1. La parte II del libro
presenta estos modelos.

Problemas complejos
Muchos problemas de decisin implican gran nmero de factores o de variables
importantes, o pueden considerar muchas alternativas. Por ejemplo, una empresa
puede tener varias plantas que producen bienes para envo a cientos de clientes.
El problema de decisin de la programacin de actividades de las plantas y la
determinacin de cules plantas proveern a qu clientes, para minimizar el costo,
comprende cientos de variables y restricciones y puede tener millones de soluciones posibles.
Los modelos de programacin lineal y entera son las tcnicas que ms se
usan para resolver los problemas empresariales grandes y complejos de este tipo.

Captulo 1 Introduccin al anlisis cuantitativo

11

Estos modelos utilizan tcnicas matemticas para encontrar el valor mximo (o


mnimo) de un objetivo, sujeto a un conjunto de restricciones. Estas tcnicas se
analizan en la parte III del libro.
La simulacin es una tcnica para modelizar sistemas grandes y complejos que
presentan incertidumbre. Se designa un modelo para que sea una rplica del
comportamiento del sistema. Los modelos de simulacin generalmente se analizan con el mtodo de caso por caso (en vez del mtodo de optimizacin). El
captulo 19 presenta los modelos de simulacin.

Problemas dinmicos
Los problemas dinmicos de decisin comprenden un tipo de complejidad
especial: una secuencia de decisiones relacionadas que se presentan en varios
periodos. La parte IV del libro incluye varios de estos tipos de modelos: modelos
de inventarios para determinar cundo pedir inventario y cuntas existencias
se deben almacenar; modelos PERT o de ruta crtica para la programacin de
proyectos; modelos de colas para problemas que implican colas de espera; y la
programacin dinmica y los procesos de Markov, para problemas dinmicos
ms generales.

Sistemas de apoyo para las decisiones


Un sistema de apoyo para las decisiones, o DSS (decision support system), es un
sistema de computacin integrado, diseado para auxiliar en la toma de decisiones
para la direccin. Un DSS generalmente incluye un modelo de algunos de los tipos
que se describen en este libro y el computador lleva a cabo los clculos necesarios
para resolver el modelo. No obstante, un DSS es algo ms que un modelo, ya que
por lo general comprende una base de datos que se puede usar para proporcionar
informacin directamente al gerente (o al modelo). En otros casos, un DSS incluye
grficos u otros informes que puede comprender el usuario con facilidad. As
mismo, el DSS incorpora la tecnologa de computacin para que sea fcil efectuar
el anlisis necesario para el problema de decisin o para consultar la informacin
requerida a la base de datos.
Este libro no se orienta hacia el desarrollo de las herramientas de computacin
necesarias para construir un DSS. No obstante, los modelos son una parte
importante del DSS y la comprensin de los modelos que se describen en este
libro representa un paso importante para construir un DSS. A lo largo del libro
haremos referencia a software de computacin y presentaremos ejemplos de su
aplicacin para ciertos modelos. Este software puede ser parte de un DSS.

RESUMEN

Se pueden clasificar las decisiones segn se tomen con certidumbre o incertidumbre, dependiendo de que se suponga o no el conocimiento de los factores
principales. La toma de decisiones en condiciones de incertidumbre implica el
uso de probabilidades para expresar la verosimilitud de sucesos inciertos.

12

Parte I Modelos y toma de decisiones

Tambin se pueden clasificar los modelos de decisiones como sencillos (hay


pocas variables de importancia), complejos (hay muchas) o dinmicos (las decisiones se relacionan entre s en el tiempo). En el libro se describen varios tipos
de modelos que corresponden a estas categoras.
Los sistemas de computacin de apoyo para las decisiones (DSS) muchas veces
incluyen, como uno de los componentes principales, un modelo de decisin del
tipo que se presenta en este libro.

Bibliografa
Baker, K. R. y D. H. Kropp, Management Science:
An Introduction to the Use of Decision Models,
Nueva York, John Wiley & Sons, 1985.
Bodily, S., Modern Decision Making: A Guide to
Modeling with Decision Support Systems, Nueva
York, McGraw-Hill, 1985.
Bonini, C. R, Computer Models for Decision
Analysis, Palo Alto, Calif., Scientific Press,
1980.
Buffa, E. S. y J. S. Dyer, Management Science/Operations Research, segunda edicin, Nueva York,
John Wiley & Sons, 1981.

Eppen, G. D., F. J. Gould y C. Schmidt, Quantitative Concepts for Management, tercera edicin,
Englewood Cliffs, N.J., Prentice Hall, 1988.
Jackson, B. B., Computer Models in Management,
Homewood, 111., Richard D. Irwin, 1979.
Raiffa, H., Decision Analysis, Reading, Mass., Addison-Wesley Publishing, 1968.
Schlaifer, R., Analysis of Decisions under Uncertainty, Nueva York, McGraw-Hill, 1969.
Wagner, H. M., Principles of Operations Research,
segunda edicin, Englewood Cliffs, N.J., Prentice Hall, 1975.

Problemas con respuestas


1-1.

1-2.

Remtase al ejemplo del contrato gubernamental de este captulo. Suponga que existe
una prdida del 40% en la produccin por
causa de las especificaciones ms rigurosas
para el producto.
a. Cuntas unidades tendran que entrar al
proceso de produccin para obtener 1000
unidades "buenas"?
b. Cul es el costo total para obtener 1000
unidades "buenas"?
c. Debe aceptarse el contrato? Por qu?
La compaa de aparatos domsticos XYZ
pretende sustituir un engranaje metlico con
uno de plstico. El engranaje de plstico ahorrar 50 centavos por unidad, pero se requiere un gasto de 20 000 dlares para elaborar

un molde especial para la produccin del engranaje. El molde especial durar un ao y las
ventas anuales son de 80 000 unidades.
a. Deber la compaa hacer el cambio al
engranaje de plstico? Por qu?
b. Suponga ahora que el engranaje de plstico se relaciona con una tasa de averias un
poco ms alta en el primer ao; especficamente, por cada 1000 unidades que se venden, habr, en promedio, dos averas ms
con el engranaje de plstico que con el metlico. Las averas le cuestan 40 dlares a
la compaa (costos de reparacin por garanta y por reaccin negativa). Deber
ahora la compaa hacer el cambio al engranaje de plstico? Por qu?

13

Captulo 1 Introduccin al anlisis cuantitativo

Problemas
1-3. La determinacin del precio de un producto es
una decisin empresarial muy importante.
Cules son los elementos de incertidumbre
que existen en la decisin de cambiar el precio
de un producto?
1-4. En qu sentido existen "oponentes" cuando
se establece el precio de un producto?
1-5. Una familia quiere realizar un da de campo.
En qu forma es un oponente la naturaleza?
Es razonable usar probabilidades para describir los distintos estados de la naturaleza?
1-6. Con frecuencia se describe a la maximizacin de beneficios como el criterio principal
que debe aplicarse en la toma de decisiones
empresariales. Si usted fuera el gerente de
una empresa, qu otros criterios usara para
tomar sus decisiones?
1-7. La compaa Crude Oil considera la posibilidad de perforar para buscar petrleo en un terreno que alquila. Es razonable especificar
una probabilidad de encontrar petrleo?
1-8. Piense en una decisin empresarial o personal
con la que est familiarizado. Describa esta
decisin en funcin de: a. Las alternativas
disponibles.

b. El criterio que usara para seleccionar una


de las alternativas.
c. Las variables importantes que debern integrarse a un modelo que le ayude a tomar
esta decisin. Hasta qu punto se pueden
cuantificar estas variables?
d. Hasta qu punto puede cuantificar las
relaciones entre las variables propuestas
en (c)?
1-9. Una filosofa de direccin es "disparar primero, preguntar despus". Otra filosofa lleva a
"parlisis por anlisis". Cul escoge usted?
1-10. Un modelo posible para los gastos totales es:

donde:
T = Costos totales
a = Costos fijos
b = Costos variables
X = Nmero de unidades
Analice lo adecuado de este modelo para predecir el costo total relacionado con una produccin determinada.

Problemas ms difciles
1-11.

Un ejecutivo debe tomar una decisin acerca


del precio para un producto nuevo. El objetivo
es maximizar el beneficio, y las alternativas
son precios posibles desde dos dlares por
unidad hasta diez dlares por unidad. A
continuacin se describe el modelo que se
usar. Sea:
x = Nmero de unidades producidas
(y vendidas)
C(x) = Costo total para producir x unidades
p = Precio que se cobrar
NP = Beneficio neto total (por maximizar)
Relacin de costo:

C(x) = 800+1.25*

Relacin de ventas:
x = -100 + 2 000/p
Beneficio:
NP = px - C(x)
a. Comente acerca del modelo que escogi
el gerente, en trminos de lo razonable de
las relaciones, las variables que se incluye
ron (y las que se excluyeron) y el valor
del modelo.
b. Encuentre por tanteo una solucin aproximada para el modelo (es decir, pruebe distintos precios entre dos y diez dlares y
trate de encontrar un precio que genere
buenos beneficios).
1-12. En un aeropuerto se discute la posibilidad de
instalar un complicado dispositivo de ayuda
para aterrizajes. El costo equivalente anual

14

Parte I Modelos y toma de decisiones

de este dispositivo (incluyendo todos los costos) es de 800 000 dlares por ao, que no podr recuperarse de las lneas areas. El
dispositivo reducir el nmero esperado de
accidentes por ao en el aeropuerto, de 1.8 a
1.7.
Los vuelos que llegan al aeropuerto transportan en promedio 40 personas (incluyendo
la tripulacin) y el avin tiene valor de reventa de dos millones de dlares.
a. Si se rechaza el dispositivo, cul es el valor implcito que se asigna a la vida de las
personas que viajan en el avin?
b. Cunto estara dispuesto a pagar por el
dispositivo?
1-13. El gerente de producto de una fbrica de cereales intenta determinar el presupuesto para
publicidad del ao entrante. Cuenta con la siguiente informacin: el precio de venta es de
cinco dlares por caja; el costo variable de
manufactura es de dos dlares por caja; los
costos fijos para producir el cereal ascienden a
100 000 dlares por ao. El gerente ha estimado la siguiente relacin entre las ventas del
cereal (que se llama X y se mide en miles de
cajas) y los dlares que se gastan en publicidad (a lo que se denomina Z y se mide en
miles de dlares):

Para:

a. Formule un modelo para los beneficios netos del cereal. Es decir, identifique todas
las variables y relaciones necesarias para
determinar los beneficios.

b. Encuentre, por tanteo, una solucin ptima


aproximada del modelo (o sea, pruebe
algunos valores entre cero y 100 000 dlares para la publicidad y encuentre una buena solucin para los beneficios).
1-14. Una compaa de computadores pretende introducir un producto nuevo, el modelo B. Algunas de sus ventas seran a costa del modelo
A, uno de los productos de mayor venta de la
compaa. La situacin econmica es la que
sigue:

Costo fijo
Costo variable
por unidad
Precio de venta
al mayoreo

Modelo A
Modelo B

$ 10 millones

$20 millones

$500

$300

$1500

$1000

Ya se incurri en los costos fijos del modelo


A, pero no en los del modelo B. Las ventas
actuales del modelo A son de 500 000 unidades por ao. La introduccin del modelo B
dara lugar a la venta de 600 000 unidades de
B por ao, pero las ventas de A se reduciran a
300 000 unidades. La vida restante de ambos
productos es de un ao; despus de este lapso,
sern obsoletos. Por esto resulta apropiado un
anlisis de un ao.
a. Formule un modelo para decidir si debe introducirse o no el modelo B en este momento. Qu decisin recomendara?
b. Suponga que no se hubiera introducido antes el modelo A (y que an no se hubiera
incurrido en su costo fijo). Formule un
modelo para esta situacin y decida cules
son los productos que deben introducirse.
c. Qu otros aspectos considerara aplicables a la situacin descrita en (a)?

CAPTULO

Introduccin a la
construccin de modelos
Introduccin
En el captulo 1 se presentaron los conceptos bsicos de la toma de decisiones y
el papel que representa un modelo en dicho proceso. El propsito de este captulo
es entrar en mayor detalle y explicar lo que es un modelo y cmo pueden los
directores usar y construir cierto tipo de modelos, los modelos de caso. En
secciones posteriores del libro se vern otros tipos: modelos para la toma de
decisiones en condiciones de incertidumbre, modelos de optimizacin y modelos dinmicos.

Conceptos del modelo bsico


Como se explic en el captulo 1, un modelo es una simplificacin de un problema
de decisin empresarial. Esta simplificacin se logra incluyendo slo los elementos de importancia y excluyendo los aspectos que no sean esenciales. Un buen
ejemplo de un modelo es un mapa de carreteras, ya que excluye la mayora de los
detalles de los terrenos, edificios, etc., para mostrar claramente los caminos. Es
muy til por ser simple. Si se incluyeran todos los detalles de la realidad, no sera
tan til, ya que pasaramos mucho tiempo tratando de separar los caminos de
otros detalles.
As, el primer paso en la construccin de un modelo es elegir los factores o las
variables que el decisor considera importantes. Estos factores se pueden clasificar
en cinco categoras:

Variables de decisin.
Variables exgenas.
Polticas y restricciones.

15

16

Parte I Modelos y toma de decisiones

Medidas del rendimiento.


Variables intermedias

Variables de decisin
Las variables de decisin son aquellas que estn bajo el control del decisor y
representan alternativas para el director. Considere el caso de un gerente de
mercadotecnia que decide acerca de la introduccin de un producto nuevo.
El gerente puede elegir entre introducir o no el producto; el gerente tambin puede
elegir el precio de venta del producto y la cantidad que se invertir en publicidad. stas son las elecciones ms importantes; por lo tanto, son las variables
de decisin.
El gerente tambin puede tomar algunas decisiones menores, como el color del
producto, los detalles del contenido de la publicidad, cmo se le informar a la
fuerza de ventas sobre el producto, etctera. El gerente podra excluir del modelo
estos factores menos importantes, para que el anlisis sea ms sencillo.
Variables exgenas
Las variables exgenas o externas son aquellas que tienen importancia para el
problema de decisin pero estn bajo el control de factores ajenos al decisor. Por
lo general, las variables exgenas son las condiciones econmicas, las acciones
de los competidores, el precio de las materias primas y otros factores similares.
En el caso del gerente de mercadotecnia que considera la introduccin de un
producto nuevo, la reaccin de los clientes (cunto comprarn) es ciertamente una
variable exgena importante. Otras variables exgenas son el costo de las materias
primas y otros elementos necesarios para fabricar el producto.
Polticas y restricciones
Con frecuencia el decisor tiene que operar con ciertas restricciones impuestas por
las polticas de la compaa, con cuestiones legales y con limitaciones fsicas.
Por ejemplo, la capacidad disponible de la planta puede estar limitada, lo cual
puede restringir las ventas posibles. Una poltica de la compaa puede especificar
que se adquieran los materiales de ciertos proveedores o que se mantengan ciertos
niveles de calidad.
En ocasiones se pueden modificar las polticas o las restricciones. Por ejemplo,
la capacidad de la planta es una restriccin, pero la gerencia puede optar por
ampliar la planta. Esto significa que a veces puede existir confusin entre lo que
se considera una variable de decisin y lo que es una restriccin. No es tan
importante hacer una distincin precisa entre ambas, pero la gerencia s debe
reconocer la presencia de las restricciones y tener presente que pueden modificarse, de ser necesario.

Captulo 2 Introduccin a la construccin de modelos

17

Medidas de rendimiento
Al tomar una decisin, los gerentes tienen metas u objetivos que tratan de alcanzar.
Los criterios o medidas de rendimiento son expresiones cuantitativas de estos
objetivos. Por ejemplo, para el gerente de mercadotecnia que toma la decisin de
introducir un producto nuevo, una de las medidas de rendimiento sera el nivel
de los beneficios. Otras medidas podran ser la cuota de mercado y el rendimiento
sobre inversiones.

Variables intermedias
Con frecuencia se necesitan otras muchas variables para incluir todos los factores
importantes para el problema de decisin. Muchas veces son variables contables
relativas a los factores de costo o ingresos y que se usan para relacionar las
variables de decisin y las exgenas con las medidas de rendimiento. Son variables intermedias, en el sentido de que se encuentran entre las otras variables. En
el ejemplo de la decisin de un producto nuevo, una variable intermedia sera el
nivel de los ingresos totales (precio por cantidad de venta); los componentes de
los costos de manufactura y ventas seran otras variables intermedias.

El modelo y la relacin entre variables


La figura 2-1 muestra cmo se relacionan las distintas categoras de variables. El
modelo se encuentra en la parte central y las variables de decisin, las variables
Figura 2-1

Entradas y salidas del modelo

18

Parte I Modelos y toma de decisiones

exgenas, las polticas y las restricciones son entradas al modelo, mientras que
las salidas son las medidas de rendimiento. En s, el modelo representa el conjunto
de todas las relaciones entre variables. La definicin de estas relaciones es el
segundo paso importante en la construccin de un modelo (el primer paso, como
se mencion antes, es la definicin de las variables importantes).
Algunas relaciones son definiciones contables. Por ejemplo, los beneficios son
los ingresos menos los gastos, una sencilla regla de contabilidad. Otras relaciones
dependen de lmites fsicos, como la determinacin de la cantidad de producto
que puede producirse a partir de un lote de materias primas. Algunas relaciones
son de juicio, que representan el conocimiento del gerente acerca de la relacin
entre factores. Un ejemplo de este tipo de relacin es el juicio del gerente con
respecto a la reaccin de los clientes ante un cambio en el precio.
El modelo es el conjunto de todas estas relaciones. Es algo as como una "caja
negra" que transforma las variables de decisin en medidas de rendimiento para
un conjunto especfico de variables exgenas, polticas y restricciones.

Ejemplo: Modelo de un aserradero


Es difcil comprender estos conceptos de manera abstracta. Por esto, presentamos un ejemplo de un aserradero que corta los troncos para fabricar tablas,
las cuales vende a clientes mayoristas. Aunque el ejemplo se basa en un hecho
real,1 se ha simplificado un poco para destacar los aspectos principales. Generalmente el modelo real que se use para tomar una decisin empresarial ser
ms complejo.
Suponga que los directores del aserradero hacen sus planes para el prximo
ao y se enfrentan a dos decisiones: una relativa a la capacidad de la planta y otra
acerca de la tarifa laboral. La decisin de capacidad de la planta implica decidir
si la empresa debe ampliar el aserradero, cunto y cundo. Supongamos que si
deciden ampliarlo ahora, entonces la capacidad adicional se puede aadir en
cualquier trimestre del ao entrante.
La segunda decisin tiene que ver con las negociaciones que comenzarn con
el sindicato de trabajadores de la compaa. La compaa y el sindicato tienen que
acordar una tarifa de pago para el prximo ao; por supuesto, se trata de una
decisin conjunta, el resultado del proceso de negociacin.
La compaa ha preparado pronsticos de los precios de la madera que vender
el prximo ao, as como proyecciones de la cantidad que podra vender (o sea,
una estimacin de la demanda). La compaa tiene una poltica de producir por
pedido, de manera que no se conserva inventario de madera. En otras palabras, la
compaa no puede vender ms de lo que puede producir en un periodo. Tambin
se han efectuado pronsticos para el precio de los troncos, materia prima para la
obtencin de madera.

Vase el caso Puyallup Forest Products en Charles P. Bonini, Computer Models for Decision Analysis, Palo
Alto, Calif., Scientific Press, 1980, pgs. 55-66.

Captulo 2 Introduccin a la construccin de modelos

Tabla 2-1

19

Factores importantes en el modelo de un aserradero

Variables de decisin
TARIFA LABORAL. Salario promedio de los empleados del aserradero (dlares por hora). CAPACIDAD
ADICIONAL. Cantidad de capacidad (capacidad MPC o miles de pies cuadrados de madera) que se aade en
cada trimestre.
Medida de rendimiento
BENEFICIOS. Beneficios netos que se obtienen cada trimestre y al ao por la operacin del aserradero (M$ p
miles de dlares).
Variables exgenas
PRECIO DE LA MADERA. Precio de venta de la madera en cada trimestre (dlares por MPC).
DEMANDA. Demanda de la madera cada trimestre (MPC).
COSTO DE TRONCOS. Costo de compra de los troncos (dlares por MPT, dlares por miles de pies de tabla).
PRODUCTIVIDAD LABORAL. Produccin (MPC) por hora de trabajo.
Restricciones y polticas
No hay inventarios de madera. La produccin se programa para igualar las ventas. El anlisis se har por trimestres.
Variables intermedias
INGRESOS. Ingresos por la venta de madera (M$ por trimestre;.
GASTOS OPERATIVOS (DE EXPLOTACIN). Gastos que se relacionan directamente con la produccin de la
madera (gastos por suministros, materias primas y fuerza de trabajo; M$ por trimestre).
GASTOS DE SUMINISTROS. Gasto para la adquisicin de suministros (M$ por trimestre).
GASTOS DE MATERIAS PRIMAS. Costo de las materias primas (troncos; M$ por trimestre).
GASTOS LABORALES. Costo de la fuerza de trabajo (M$ por trimestre).
TRONCOS REQUERIDOS. Cantidad de troncos que se necesitan para la produccin (MPT por trimestre).
HORAS DE TRABAJO. Cantidad de horas de trabajo que se requieren para la produccin (horas por trimestre).
PRODUCCIN DE MADERA. Cantidad de madera que se produce (MPC por trimestre). CAPACIDAD.
Capacidad productiva real del aserradero (MPC por trimestre).
OTROS GASTOS. Total de los dems gastos, que incluyen gastos de ventas, fijos y de equipo (M$ por trimestre).
GASTOS DE VENTAS. Gastos para vender la madera (M$ por trimestre). GASTOS FIJOS. Gastos fijos (M$
por trimestre). GASTOS DE EQUIPO. Costo del alquiler del equipo (M$ por trimestre).

Para producir la madera, la compaa incurre en gastos laborales, de suministros y, por supuesto, de materias primas (troncos). Hay otros gastos que
se relacionan con las ventas. La compaa alquila su equipo de produccin
y paga por el alquiler. Tambin hay otros costos fijos (adicionales) en cada
periodo.
La tabla 2-1 presenta una lista de los factores importantes para este ejemplo.
La abreviatura MPC representa miles de pies cuadrados de superficie y es la
unidad de medida de la madera. MPT denota miles de pies de tabla, la unidad para
los troncos. M$ indica miles de dlares.

20

Parte I Modelos y toma de decisiones


La lista de variables de la tabla 2-1 puede parecer enorme, pero al analizarla
con detenimiento se ver que es bastante sencilla. Aunque se ha simplificado el
ejemplo, es necesario que tenga la complejidad suficiente para ilustrar el uso de
un modelo.

Relaciones: Diagrama de influencia


Ahora hay que definir las relaciones entre las variables. En ocasiones es til
dibujar un diagrama que muestre cmo se relacionan las variables o influyen en
otras. Por ejemplo, la figura 2-2 es uno de estos diagramas, llamado diagrama
de influencia. Las lneas con flechas indican qu variables se relacionan con otras.
No es indispensable construir el diagrama, pero muchas veces sirve para comprender el modelo.
Observe que hay dos lneas punteadas en la figura 2-2. La nica variable por
encima de la lnea superior es la medida del rendimiento, BENEFICIOS. Los
cuadros que aparecen debajo de la lnea inferior contienen las variables de
decisin y las exgenas, las entradas para el modelo. Las variables y las relaciones de la parte media integran el modelo.

Figura 2-2

Diagrama de influencia para el modelo del aserradero

Captulo 2 Introduccin a la construccin de modelos

21

Ahora se puede comenzar a definir las relaciones entre variables. Comenzaremos por las relaciones fsicas (las que incluyen variables fsicas, no monetarias).
Relaciones fsicas
CAPACIDAD = 9200 + CAPACIDAD ADICIONAL

La capacidad inicial del aserradero es de 9200 MPC por trimestre. A esto se le


aade cualquier capacidad adicional que se alquile.
PRODUCCION DE MADERA = MNIMO (CAPACIDAD, DEMANDA)

Recuerde que la produccin de madera en cualquier trimestre debe ser igual a


las ventas, algo que se requiere por la poltica de no tener inventarios. Si la
demanda es mayor que la capacidad, la empresa producir (y vender) hasta el
lmite de su capacidad. Es decir, en este caso la produccin est limitada por la
capacidad. Por otra parte, si la demanda es menor que la capacidad, entonces ser
la demanda la que limite la produccin (y las ventas). As, el lmite de la
produccin es el valor menor (o mnimo) de la capacidad y la demanda.
TRONCOS REQUERIDOS = . 52 * PRODUCCION DE MADERA

Esta relacin establece que se requieren 0.52 MPT de troncos por cada MPC
de madera que se produzca. La cifra 0.52 es una constante que depende de la
eficiencia para producir madera a partir de las materias primas, los troncos. El
asterisco * significa "multiplicado por"; es un smbolo normal que se usa en
programas de computacin y que se usar como tal en este captulo.
Aqu es necesaria una pausa para explicar las constantes. Al construir un
modelo, hay valores numricos, como el coeficiente 0.52 anterior, que se estiman
a partir de los costos u otros datos de la empresa. Aunque se les puede considerar
como variables exgenas, tienen menor importancia y se supone en cambio que
son constantes. Se espera que permanezcan fijas (constantes) durante los anlisis
del modelo.
HORAS DE TRABAJO = PRODUCCION DE MADERA/PRODUCTIVIDAD LABORAL

El total de horas requeridas para el trabajo depende de la produccin de


madera y de la productividad de la fuerza de trabajo.
Relaciones financieras
Las restantes relaciones del modelo son financieras. Lo que se presenta a continuacin no son ms que definiciones contables que se explican solas. En

22

Parte I Modelos y toma de decisiones

algunos casos se requiere la divisin entre 1000 para hacer la conversin a miles
de dlares.
BENEFICIOS = INGRESOS - GASTOS OPERATIVOS - OTROS GASTOS
INGRESOS = (PRODUCCIN DE MADERA * PRECIO DE LA MADERA) /1000
COSTO OPERATIVO =GASTOS DE MATERIALES + GASTOS DE MATERIAS
PRIMAS + GASTOS DE FUERZA DE TRABAJO
OTROS GASTOS =
GASTOS DE VENTAS + GASTOS DE EQUIPO
+ GASTOS FIJOS
GASTOS DE FUERZA DE TRABAJO =
(TARIFA LABORAL * HORAS DE TRABAJO)
/1000
GASTOS DE MATERIAS PRIMAS = (TRONCOS REQUERIDOS *
COSTO DE TRONCOS) /1000

Algunas de las relaciones s requieren explicacin:


GASTOS DE SUMINISTROS =

(28 *

PRODUCCIN DE MADERA) /1000

Cada MPC de madera utiliza 28 dlares en suministros durante el proceso de


produccin. La cifra de 28 dlares es otra constante del modelo.
GASTOS DE VENTAS = .10 * INGRESOS

Los gastos de ventas son del 10% del ingreso por ventas.
GASTOS FIJOS = 20

Los gastos fijos son de 20 000 dlares por trimestre.


GASTOS DE EQUIPO = (11 * CAPACIDAD) /1000

Recuerde que se alquila el equipo del aserradero. Las cuotas del alquiler son de
11 dlares trimestrales por MPC de capacidad instalada.
RESUMEN

La construccin de modelos implica simplificar primero el problema de decisin,


seleccionando para el estudio slo las variables ms importantes. Estas variables
incluyen variables de decisin (las que estn bajo el control del decisor), variables exgenas, medidas del rendimiento, polticas o restricciones, y variables
intermedias. El segundo paso de la construccin del modelo es identificar las relaciones entre las variables; es decir, determinar cmo dependen entre s las
variables. El modelo es, en s mismo, el conjunto de todas estas relaciones.

Anlisis con el modelo


Ya est completo el modelo para el aserradero y ahora pasamos a la utilizacin
del modelo por la direccin. El primer paso es hacer estimaciones de las variables
exgenas. Supongamos que se preparan las estimaciones de la tabla 2-2.
Observe que son pronsticos que se basan en el juicio de la direccin, pero que
pueden resultar ser incorrectos. Uno de los propsitos del modelo es aprender

23

Captulo 2 Introduccin a la construccin de modelos

Tabla 2-2

Estimaciones para las variables exgenas


Variable
Precio de la madera

Primer

Segundo

Tercer

Cuarto

trimestre

$/MPC

trimestre
125

trimestre
130

trimestre
130

MPC

10 000

10 800

Unidad

Demanda de madera
Costo de troncos

$/MPT

Productividad laboral

MPC/hora

75
0.4

125
75
0.4

8000
75
0.4

10 000
80
0.4

la manera en que los errores de estas estimaciones afectan a las operaciones


del aserradero.
Las variables de decisin son la CAPACIDAD ADICIONAL que se aadir y
la TARIFA LABORAL que se negocie con el sindicato. Suponga que se toma
como base que no se harn adiciones a la capacidad y que la tarifa es la misma
del ao pasado, nueve dlares por hora.
Esto nos permite completar los clculos para el modelo, que se presentan en la
tabla 2-3. Observe que en el caso base se obtienen beneficios de 387 000 dlares
para el ao.
Ahora hay que hacer una pausa y examinar con cuidado la tabla 2-3. Estudie las cifras, con base en las relaciones anteriores. Como ejemplo, los TRONCOS REQUERIDOS en el primer trimestre son 4784, que se calcula como
0.52 * PRODUCCIN DE MADERA, una de las relaciones fsicas que se
describieron antes. Observe que la produccin de madera est limitada por
la capacidad en el primero, segundo y cuarto trimestres, y por la demanda en el
tercero.

Implantacin del modelo en un computador


Por supuesto, se pueden hacer a mano los clculos de la tabla 2-3, lo que tardara
de 20 a 30 minutos si no se cometen errores aritmticos. Esto sera adecuado si
slo se examinara un caso o una situacin. Sin embargo, queremos examinar una
serie de casos, por lo que es mejor desarrollar una versin del modelo en un
computador. Hay varias maneras de hacerlo. Se podra escribir el modelo en
un lenguaje de computacin de propsito general, como BASIC, FORTRAN o
Pascal; podra programarse en un lenguaje de planificacin financiera como IFPS
o EMPIRE, diseados especialmente para este tipo de problemas; o se podra
implantar en un programa de hoja de clculo, como Lotus 1-2-3, Excel o Quattro,
que existen para los computadores personales. Usaremos este procedimiento,
ya que los programas de hoja de clculo son muy comunes, fciles de usar e
ideales para el anlisis de este tipo de problemas.
Una hoja de clculo tpica contiene filas y columnas, como se ilustra en la
figura 2-3. Las filas se numeran comenzando por 1, y las columnas se indican con

24

Parte I Modelos y toma de decisiones

Captulo 2 Introduccin a la construccin de modelos

Figura 2-3

25

Formato de una hoja de clculo

letras,2 iniciando con A. Una celda (o casilla) es la interseccin de una fila y una
columna, y se indica con la designacin de la columna y la fila. Por ejemplo, la
celda B3 es la celda de la columna B y la fila 3.
Una celda puede contener informacin alfanumrica como la etiqueta "Variables de decisin"; puede contener un nmero, como 9.00 para la tarifa laboral; y
tambin puede contener una frmula. Las frmulas incluyen como variables las
designaciones de las celdas; por ejemplo, si la celda D3 contiene la siguiente
frmula:

esto indicara que se sumara el contenido de las celdas B3 y C3 y se almacenara


el resultado en la celda D3.
La tabla 2-4 muestra las frmulas de hoja de clculo para el primer periodo
(trimestre) del modelo. La primera columna de la tabla 2-4, la columna A, contiene
slo las etiquetas de las variables del modelo. La segunda columna contiene
las unidades de medida, que tambin son informacin alfabtica. Las primeras
filas de la columna C contienen valores numricos para las variables de decisin y las variables exgenas. Las frmulas estn en la columna C, a partir de la
fila 14.
La primera frmula, en la celda C14, es:

Esta codificacin de filas y columnas es la que se aplica en la mayora de los programas de hoja de clculo,
pero no en todos.

26

Tabla 2-4

Parte I Modelos y toma de decisiones

Frmulas que se registran en la hoja de clculo

Como C4 contiene la CAPACIDAD ADICIONAL, esta frmula calcula la capacidad real como la capacidad inicial de 9200 MPC ms cualquier adicin. En la
hoja de clculo, es el equivalente de la relacin:
CAPACIDAD = 9200 + CAPACIDAD ADICIONAL

que se obtuvo en la pgina 21.


De manera parecida, el contenido de la celda C5 es:
@MIN(C9,C14)

Captulo 2 Introduccin a la construccin de modelos

27

Esto equivale a la relacin:


PRODUCCION DE MADERA = MNIMO (DEMANDA, CAPACIDAD)

Observe que la celda C9 es la demanda de madera y la celda C14 es la capacidad


real. (La @ es un smbolo especial que se usa para designar funciones, como @MIN
para mnimo, MAX para mximo, @SUM para total, etctera).
Revise ahora las otras frmulas de la tabla 2-4 para asegurarse de que las
comprende.

Frmulas para otros trimestres


Las frmulas de los otros trimestres del ao son semejantes, excepto que estaran
en las columnas D, E y F de la hoja de clculo. En el programa de hoja de clculo
existe un procedimiento que permite copiar o duplicar las frmulas a otras
columnas cuando son similares, como sucede en este caso.3 Los totales del ao
son las sumas de los elementos de los cuatro trimestres.
En esta seccin no se pretende efectuar un estudio detallado de los paquetes de
hoja de clculo, pues tienen ms caractersticas que las que podramos presentar
aqu. Ms bien, nuestro propsito es demostrar cmo se puede establecer un
modelo de caso en formato de hoja de clculo.
El anlisis con la hoja de clculo es bastante sencillo. Slo hay que cambiar
una o ms de las variables de decisin o de las exgenas y en la pantalla del
computador aparecern los resultados casi de inmediato. Tambin se puede
modificar el modelo, cambiando las relaciones o aadiendo nuevas variables, o
prolongando el modelo por ms periodos. Algunos paquetes de hoja de clculo
tienen la capacidad de crear tablas de resultados y elaborar distintos tipos de
grficos con los resultados.

Ejemplos de anlisis con el modelo


En el captulo 1, al igual que al inicio de ste, describimos como modelo de caso
el tipo de modelo que hemos construido. Este nombre proviene del tipo de anlisis,
que implica la revisin con el modelo de varios casos o situaciones. Cada caso
utiliza distintas hiptesis acerca de las variables del modelo. A continuacin
presentamos algunos ejemplos de cmo podran examinar los directores del
aserradero algunos de estos casos y as utilizar el modelo que se desarroll para
responder algunas preguntas de direccin y conocer un poco ms acerca de los
problemas de decisin que se presentan.

La celda C14 es la nica excepcin a esta afirmacin de que se pueden copiar las frmulas a otras columnas.
La celda D14 debe ser (C14 + D4); o sea, CAPACIDAD (en el segundo periodo) - CAPACIDAD (en el primer
periodo) + CAPACIDAD ADICIONAL del segundo periodo. Hay que registrar esta frmula en la celda D14 y
despus se podra copiar (duplicar) al tercero y al cuarto periodos.

28

Parte I Modelos y toma de decisiones

Figura 2-4

Anlisis de equilibrio de la tarifa de la fuerza de trabajo

Recuerde que la direccin del aserradero tendr negociaciones con el sindicato


para establecer la tarifa laboral para el ao entrante. Los directores podran utilizar
el modelo para analizar el efecto que tienen distintas tarifas en la rentabilidad. La
tarifa actual es de nueve dlares por hora; en el modelo se podra registrar un
aumento a 10 dlares (cambiando los valores en la fila denominada "Tarifa
laboral" en la tabla 2-3). Con esto se obtienen beneficios de 298 000 dlares en
el ao, una reduccin de 89 000 dlares. Una pregunta ms interesante es:
"Cunto puede aumentar la tarifa laboral antes de que deje de ser rentable el
aserradero?". En el modelo se usan ocho valores diferentes para TARIFA LABORAL, primero con nueve dlares por hora, luego diez, hasta llegar a 16 dlares
por hora. La figura 2-4 muestra un grfico de los resultados. Como se puede ver,
el punto de equilibrio (donde el beneficio es cero) ocurre entre 13 y 14 dlares
por hora, aproximadamente en 13.35 dlares.
Suponga que, como parte de las negociaciones, la gerencia pide al sindicato
que cambie algunas de las reglas de trabajo para aumentar la productividad de los
trabajadores. Suponga que estos cambios aumentaran la PRODUCTIVIDAD
LABORAL de 0.4 MPC por hora a 0.5 MPC por hora. Si el sindicato estuviera
de acuerdo en modificar estas reglas de trabajo a cambio de un aumento a once
dlares por hora en la tarifa, cul sera el efecto combinado? Esta situacin
se presenta en la tabla 2-5, que es igual a la tabla 2-3 excepto por estos dos cambios
(TARIFALABORAL es 11 y PRODUCTIVIDAD LABORAL es 0.5). Como se

Captulo 2 Introduccin a la construccin de modelos

29

30

Parte I Modelos y toma de decisiones

Tabla 2-6

Resultados de la capacidad adicional agregada al caso base en


el primer trimestre
Capacidad adicional
(MPC)
0 (caso base)
1000
2000
3000

Beneficio anual
(M$)
387
405
374
330

puede observar, hay un aumento neto en el beneficio anual (de 387 000 a 405 000
dlares).
Otra decisin se relaciona con la adicin de capacidad al aserradero. Se puede
partir del caso base y aadir distintas capacidades en el primer trimestre. La tabla
2-6 presenta los resultados de cuatro casos, cada uno con diferente capacidad
adicional. A partir de estos resultados parece que lo mejor sera agregar cerca de
1000 MPC, aunque las diferencias no son muy grandes.
La direccin tambin podra preguntar cmo cambiara esta decisin de capacidad si no fueran correctos los pronsticos de la demanda de madera. En otras
palabras, es sensible esta decisin de capacidad con respecto a la demanda? Para
verlo, supongamos que el patrn de la demanda es el mismo durante los cuatro
trimestres (alto en el segundo trimestre, bajo en el tercero), pero que se considera
un caso en el que la demanda total real es la mitad (50%) del pronstico, en otro
caso es 60% del pronstico, etc., hasta 150% de lo pronosticado. En 100%,
el pronstico y lo real son iguales. Consideremos tambin la instalacin de
1000, 2000 o 3000 MPC de capacidad adicional. Para esto hay que introducir
gran nmero de combinaciones en el modelo y registrar los resultados; de hecho, algunos programas de hoja de clculo tienen procedimientos para efectuar
este tipo de anlisis en unos cuantos pasos. El grfico de los resultados aparece en la figura 2-5 (incluso algunas hojas de clculo pueden generar grficos
como ste).
Antes de comentar los resultados de este anlisis, hay que sealar que, por lo
general, las inversiones en nueva capacidad se evaluaran en un periodo prolongado. Nosotros hemos restringido el modelo a un ao para que sea sencillo y, por
esto, se limitan las conclusiones que se presentan a continuacin.
Observe, en la figura 2-5, que la decisin de aadir capacidad no afecta de
manera considerable el beneficio anual mientras que la demanda real sea cercana
al pronstico. Es decir, las lneas de la figura 2-5 estn bastante cerca cuando la
demanda real est entre 100 y 110% del pronstico. Si la direccin confa en el
pronstico de la demanda, entonces la decisin de ampliacin de la capacidad no
es crtica, ya que las alternativas tienen casi la misma calidad. El costo de la
capacidad adicional es aproximadamente igual a los beneficios adicionales que
crea dicha capacidad. Por otra parte, si la gerencia cree que la demanda real ser

Captulo 2 Introduccin a la construccin de modelos


Figura 2-5

31

Efecto de los errores en las estimaciones de la demanda y de


las adiciones en capacidad

mucho mayor o mucho menor que el pronstico, entonces la decisin de capacidad


es crtica, pues hay grandes diferencias entre la mejor alternativa y la peor. Por
ejemplo, en la figura 2-5, la diferencia entre la lnea inferior y la superior, en los
puntos del 70% y del 130%, es de ms de 100 000 dlares.
El anlisis no le dice a la direccin cul es la decisin que hay que tomar, slo
indica si existe o no un problema. Si hay mucha incertidumbre acerca de la
precisin de los pronsticos, la direccin puede usar tcnicas de anlisis de
decisin como las que se describen en el captulo 4.
Una de las ventajas principales de los programas de hoja de clculo es que el
director puede ver de inmediato la manera en que los cambios en los datos afectan
a todas las variables que se incluyen en el modelo. Esto permite que el director,
hasta cierto punto, se libere de la dependencia absoluta de una sola medida
de rendimiento. En el anlisis anterior se destacaron los beneficios; pero a la
direccin le puede interesar el efecto de los planes que se consideran sobre otros
factores: por ejemplo, cuntas horas de trabajo se requieren (y, por lo tanto,
cuntos trabajadores hay que contratar) y cunta materia prima se necesita (MPT).

32

Parte I Modelos y toma de decisiones

Figura 2-6

Anlisis de sensibilidad del modelo del aserradero (diagrama de araa)

Como se puede ver en las tablas 2-4 y 2-5, esta informacin est disponible y la
direccin la puede considerar al tomar sus decisiones.

Anlisis de sensibilidad
El anlisis anterior es un ejemplo del anlisis "qu pasa si..." o de sensibilidad.
Este tipo de anlisis indica lo que sucede si se hace un cambio a una de las
variables exgenas o de decisin. El objetivo es ver el efecto en la medida de
rendimiento (beneficio), o sea, la sensibilidad del beneficio ante los cambios. Este
mtodo permite que los directores comprendan mejor el problema al que se
enfrentan. En vez de producir "la respuesta", sirven para apreciar mejor la
situacin.
Se puede desarrollar an ms el anlisis si se contempla la sensibilidad del
beneficio con respecto a cada una de las variables exgenas. Esto se hace
considerando casos en los que cada una de las variables est 10% por encima y
10% por debajo de los valores del caso base. Las variables se alteran una por una,
con las dems en sus valores base. Los resultados se muestran en la figura 2-6,
en lo que se denomina diagrama de araa por su parecido a una telaraa.
La inclinacin de una lnea en el diagrama de araa indica la sensibilidad del
beneficio ante los cambios en la variable. Observe que la lnea del precio de la

Captulo 2 Introduccin a la construccin de modelos

Figura 2-7

33

Modelo New York Times

madera es muy inclinada; esto significa que incluso los cambios pequeos en el
precio tienen gran efecto en la rentabilidad. Por ejemplo, una reduccin del 10%
reduce a cero el beneficio. Por otra parte, es ms modesto el efecto de los cambios
en la demanda, en especial el de sus aumentos (en estos casos la produccin est
limitada por la capacidad). Una vez ms, observe que son anlisis uno por uno y
que suponen que todos los dems factores estn en los niveles del caso base. Se
pueden usar cambios distintos al 10%, si se desea.

Ejemplo: Modelo New York Times


La figura 2-7 es un esquema del modelo que se desarroll para el peridico New
York Times.4 Las variables exgenas, como el empleo, los precios y el producto
nacional bruto, se usan para pronosticar los niveles de anuncios por tipo (por
ejemplo, anuncios de automviles, de tiendas de departamentos, etctera) y la
circulacin de las ediciones diarias y dominicales por zona geogrfica. Los
volmenes de anuncios y circulacin se convierten en volmenes para diversos
departamentos operativos de la sala de composicin y la sala de imprenta, y en
necesidades de papel y tinta. As mismo, se estiman los volmenes de distribucin
4

Leonard Foreman," The New York Times Newspaper Planning Model", en Corporate Planning Models, Thomas H.
Naylor, editor, Reading, Mass., Addison-Wesley Publishing, 1979.

34

Parte I Modelos y toma de decisiones


y correo. Las estimaciones de costos, que incluyen un margen para la inflacin,
se combinan con las estimaciones de volumen para producir estimaciones de los
costos variables. Tambin se incluyen los costos fijos y los ingresos, y se
combinan para establecer un pronstico de ingresos.
El modelo real contiene cerca de 400 ecuaciones y proporciona estimaciones
detalladas de los ingresos y de los costos. El modelo ha estado en funcionamiento
durante varios aos y est integrado a los procesos de elaboracin de presupuestos
y planificacin de The New York Times. El modelo se ha usado para analizar
nuevos productos, como ediciones regionales especiales, y para planificar las
operaciones generales.

RESUMEN

Un modelo es un conjunto de relaciones entre variables. Este captulo present


un tipo de modelo llamado modelo de caso. El mtodo de anlisis consiste en
probar varios ejemplos o casos distintos. Especficamente, el anlisis de sensibilidad examina el efecto que tienen los cambios de las variables de decisin y
exgenas en las medidas del rendimiento (por ejemplo, el beneficio). El objetivo
del anlisis de sensibilidad es aumentar el conocimiento que tiene el decisor
acerca del problema y del efecto de distintas hiptesis.

APNDICE

Valor actual y futuro del dinero


Los modelos de caso del tipo que se describen en este captulo con frecuencia
comprenden flujos de efectivo durante varios aos. Por ejemplo, la mayora de
las inversiones cuantiosas de capital generan flujos de efectivo que duran varios
aos. El periodo en que se recibe el dinero es un aspecto importante de su valor.
Usted no debe ser indiferente ante la opcin de recibir 1000 dlares ahora o mil
dlares en cinco aos; incluso si en este momento no necesita los mil dlares, los
podra invertir y tener mucho ms de mil dlares en cinco aos.
Un mtodo general para resolver los problemas que comprenden flujos de
efectivo en el tiempo consiste en convertir todos los flujos en sus equivalentes
de valor actual, por medio de una tasa de inters o de descuento, y de clculos de
inters compuesto.5 El valor actual de 1000 dlares que se recibirn dentro
de cinco aos con tasa de descuento del 15% es:

Si depositan en el banco 497.18 dlares con tasa de inters del 15% (calculado
anualmente), tendra mil dlares al trmino de cinco aos. En trminos generales,
el valor actual de cualquier cantidad A, con tasa de descuento r, por recibirse en
n aos es:

Para conocer ms acerca de estos procedimientos y otras tcnicas para evaluar flujos de efectivo en el tiempo,
vase H. Bierman y S. Smidt, The Capital Budgetlng Decision, sptima edicin, Nueva York, Macmillan, 1980.

Captulo 2 Introduccin a la construccin de modelos

35

Si hay una serie de flujos de efectivo a lo largo de varios aos, entonces el valor
actual de la serie es la suma del valor actual de cada uno de los flujos. As, el
valor actual de 10 dlares que se reciben al final del ao 1, ms 20 dlares que se
reciben al concluir el ao 2, es:

La mayora de las hojas de clculo tienen funciones para realizar los clculos del
valor actual. Por ejemplo, muchos programas usan para ello la funcin @NPV
(net present value, valor neto actual).

Bibliografa
Bodily, S., Modern Decision Making: A Guide to
Modeling with Decision Support Systems, Nueva York, McGraw-Hill, 1985.
Bonini, C, Computer Models for Decision Analysis, Palo Alto, Calif., Scientific Press, 1980.
Jackson, B. B., Computer Models in Management,
Homewood, 111., Richard D. Irwin, 1979.

Naylor, T. H., Corporate Planning Models, Reading, Mass., Addison-Wesley Publishing, 1979.
Plane, D. R., Quantitative Tools for Decision Support Using IFPS, Reading, Mass., Addison-Wesley Publishing, 1986.

Problemas con respuestas


2-1.

Usted acaba de fundar la compaa MA con


el propsito de fabricar y vender su invento:
KARMA, un computador personal para la
gente activa. No obstante el soleado panorama que se presenta con respecto al futuro de
su compaa, la gente del banco insiste en tener cifras; especficamente, quieren un documento que muestre el pronstico de sus
ingresos, de sus gastos y de los beneficios para el primer ao.
Los detalles de las operaciones que usted
piensa llevar a cabo son: una decisin tentativa es fijar el precio de venta de cada KARMA en 1600 dlares. Espera que los costos
de manufactura sean de 300 dlares por unidad ms 80 000 dlares de gastos fijos al ao,
y que los costos de ventas sean del 10% del
importe de las ventas ms 10 000 de costos
fijos. Su estimacin preliminar es vender 100
unidades en el primer ao.
a. Identifique las variables de decisin, las
variables exgenas, la medida del rendi-

miento, las variables intermedias y las polticas o restricciones para este problema.
b. Defina las relaciones entre las variables
que identific en (a).
c. Si tiene acceso a un computador con un
programa de hoja de clculo, desarrolle

36

Parte I Modelos y toma de decisiones


all el modelo. El formato del modelo se
debe parecer al que se muestra en la pgina
anterior; es necesario llenar los espacios
xxxxx con nmeros o frmulas, segn se
requiera.
d. Utilice el modelo para responder las siguientes preguntas (puede responder esta
parte incluso si no dispone de un computador, ya que los clculos no son extensos).
(1) Cuntas unidades hay que vender para
lograr el equilibrio? El punto de

equilibrio es el nmero de unidades


vendidas para el cual el beneficio es cero.
Haga una estimacin aproximada. (2)
Suponga que puede bajar el precio a 1400
dlares y que con esta medida aumentar
las ventas a 130 unidades; o que puede
reducir el precio an ms, hasta 1200
dlares, y que las ventas llegaran a 150
unidades. Cul de las alternativas
preferira (de estas dos y la original)?

Problemas
2-2. Remtase al problema 2-1, la compaa MA.
Suponga que quiere ampliar el modelo para
que muestre el beneficio de cada uno de los
prximos cinco aos. El precio de venta inicial se establece en 1600 dlares y la estimacin de ventas para el primer ao es de 100
unidades, lo mismo que antes. Tampoco varan el costo de manufactura (300 dlares por
unidad ms costos fijos de 80 000 dlares
anuales). Suponga que los costos de ventas
son del 10% del importe (lo mismo que antes) pero que los costos fijos son de 70 000
dlares al ao. Suponga adems que las ventas de unidades aumentan un 50% cada ao.
En otras palabras, las ventas de 1993 son el
150% de las de 1992, las de 1994 son el
150% de las de 1993, etctera.
a. Desarrolle un modelo para este problema.
b. Implante el modelo en un programa de hoja de clculo.
c. Use el modelo para responder las siguientes preguntas:
(1) Con la estimacin de ventas actual de
100 unidades en 1992 (con crecimiento del 50% al ao), cunto tardar
su compaa en mostrar beneficios
positivos?
(2) Suponiendo que se mantiene la tasa de
crecimiento del 50%, cuntas unida
des tendra que vender en el primer
ao para llegar al punto de equilibrio
en el segundo? Cuntas unidades ten-

dra que vender en el primer ao para


alcanzar el punto de equilibrio en el
mismo ao?
(3) Suponga que puede disear el computador KARMA para que pueda extenderse con facilidad al surgir nuevos
dispositivos. Esta accin aumentara el
costo de manufactura a 500 dlares por
unidad. Sin embargo, la tasa de
crecimiento en ventas sera del 100% al
ao (es decir, cada ao se duplicara el
nmero de unidades vendidas). Es
preferible esta alternativa?
2-3. En el caso del problema 2-2, se aadirn algunas complicaciones. Suponga que un estudio
de mercado ha estimado que la relacin entre
el precio del KARMA y las ventas del primer
ao es:
Unidades vendidas = 300 - 0.125 Precio
para los precios entre 500 y 2000 dlares. Usted puede establecer el precio, pero las ventas
del primer ao estn determinadas por esta
funcin. Como antes, las ventas de las unidades aumentarn 50% cada ao a partir del
primero.
Suponga tambin que si las ventas exceden
200 unidades, introducir un equipo automatizado que reducir el costo de manufactura
de 500 a 250 dlares por unidad. Sin embargo, el costo fijo de manufactura ascender de

Captulo 2 Introduccin a la construccin de modelos


80 000 a 90 000 dlares anuales. Trate de incorporar esta situacin al modelo para que se
produzca automticamente cuando las ventas
sobrepasen las 200 unidades; para ello puede
usar las funciones @IF y @MIN de la hoja
de clculo.
a. Incorpore los cambios a su modelo de ho
ja de clculo para la compaa MA.
b. Utilice el modelo para encontrar el precio
que genere mayor el beneficio total (la su
ma de los cinco aos). Opcional: Si est
familiarizado con el concepto de valor ne
to actual, puede calcular el valor de los be
neficios de los cinco aos (utilice una tasa
de descuento del 15%) y encontrar el pre
cio que maximice este valor.
2-4. El alcalde de la ciudad de Suburbia evala
distintos niveles de gastos para proteccin policiaca y detecta que el tiempo de respuesta
promedio (en minutos) a las llamadas de
emergencia se relaciona inversamente con el
presupuesto anual del departamento de polica de Suburbia. La relacin especfica es:

37

donde R = tiempo de respuesta promedio en


minutos y C = presupuesto anual de la polica en millones de dlares.
Los ciudadanos de Suburbia evalan el beneficio de la respuesta policaca ante emergencias de la siguiente manera:
B = $100-$10R
donde B = beneficio en dlares. De esta manera, un tiempo de respuesta de 10 minutos
produce beneficio cero y un tiempo mayor generar beneficios negativos.
En Suburbia hay 500 000 llamadas de
emergencia cada ao.
a. Desarrolle un modelo de hoja de clculo
para este problema, suponiendo que la medida de rendimiento es el beneficio total
menos el costo total. Evale alternativas
presupuestarias para el departamento de
polica, de 5, 10, 15 y 20 millones de dlares. Cul de stas preferira?
b. Suponga ahora que el criterio es la relacin del beneficio total dividido entre el
costo total. Con los mismos presupuestos,
cul sera el mejor?

Problemas ms difciles
2-5. Usted piensa comprar un edificio de apartamentos que contiene 25 unidades y se vende
en 300 000 dlares. Su idea es conservar el
edificio durante tres aos y luego venderlo.
Usted averigua que los impuestos sobre la
propiedad son de 6000 dlares por ao, y que
la administracin y el mantenimiento de los
apartamentos costar cerca de 300 dlares
por unidad. Se espera que los impuestos aumenten un 2% cada ao y que los costos de
mantenimiento lo hagan en un 15% cada ao.
An no decide de cunto ser el alquiler.
En este momento el alquiler es de 300 dlares mensuales por unidad, pero el ndice de
rotacin es muy elevado y la tasa de ocupacin es slo del 75%. En otras palabras, en
promedio, 75% de las unidades estn alquiladas en cualquier instante. Usted estima que si

redujera el alquiler a 220 dlares por unidad


tendra el 100% de ocupacin; una tarifa intermedia para el alquiler dara lugar a una tasa
de ocupacin intermedia (suponga una
relacin lineal: tasa de ocupacin = 168.75 0.3125 tarifa de alquiler). Por ejemplo, con
una tarifa de alquiler de 260 dlares tendra
una tasa de ocupacin del 87.5%. Usted decide fijar la tarifa de alquiler en el primer ao y
aumentarla 10% en el segundo y el tercer
aos. La tasa de ocupacin que exista en el
primer ao ser la misma para los aos 2 y 3.
Por ejemplo, si opta por la tarifa de 220 dlares para el primer ao, la ocupacin ser del
100% en los tres aos.
Usted vender el edificio de apartamentos
al trmino del trienio. La cantidad que espera
recibir ser un mltiplo de los ingresos por al-

Parte I Modelos y toma de decisiones

38

quiler (antes de gastos) que existan en ese


momento. Su estimacin es que el mltiplo
ser 5.0; es decir, si los ingresos por alquiler
en el tercer ao son de 75 000 dlares,
entonces el precio de venta ser de 375 000
dlares.
Su objetivo es obtener el mayor flujo total de
efectivo en el periodo de tres aos. El flujo de
efectivo para un ao es la diferencia entre los
ingresos por alquiler y los gastos. El flujo de
efectivo total incluye el de cada uno de los
tres aos, ms el dinero que se obtenga de la
venta de la propiedad, menos su precio de
compra. Opcional: Utilice como objetivo el
valor neto actual, con tasa de descuento del
15%. Nota: Para este ejercicio omita la depreciacin y otros aspectos relacionados con
impuestos.
a. Identifique las variables de decisin,
las variables exgenas, la medida del
rendimiento, las variables intermedias
y las polticas y restricciones de este
problema.
b. Construya un modelo a partir de la definicin de las variables que identific en (a).

CASO 2-6

c. Implante el modelo en un programa de hoja de clculo. Si lo desea, puede usar el


formato que se propone arriba. Las x indican que en ese lugar existe un nmero o
una frmula. La ltima lnea slo es aplicable si utiliza como objetivo el valor
neto actual.
d. Utilice el modelo para encontrar la tarifa
de alquiler inicial que obtiene el mayor
flujo de efectivo total (o el mayor valor neto actual).
e. Estudie la sensibilidad del flujo de efectivo total (o del valor actual) con respecto a
las siguientes variables: costo de mantenimiento por unidad, impuestos anuales y
mltiplo de venta. Hgalo desarrollando
casos en los que vare cada factor, uno por
uno, el 10% ms y el 10% menos que las
cantidades del caso base que se proporcionaron en la descripcin anterior. Para este
anlisis use la tarifa de alquiler que determin en (d) y elabore un diagrama de araa para los resultados. Para qu factor es
ms sensible el flujo de efectivo total (o el
valor actual)?

Super Spuds, Inc. (SSI), compra patatas a los agricultores y las deshidrata para
producir hojuelas que se venden a una empresa procesadora de alimentos. En

Captulo 2 Introduccin a la construccin de modelos

39

primavera la compaa se enfrenta a dos decisiones. La primera implica determinar qu cantidad de sus necesidades totales de patatas comprar a los agricultores
que formalicen un contrato de pretemporada. Con base en este contrato, las patatas
se compran antes de que se siembren y se garantiza un precio especfico para el
agricultor, que en este caso es de dos dlares por quintal. El resto de las patatas
se compra en otoo, en el mercado libre, al precio vigente en ese momento.
La segunda decisin tiene que ver con el precio que se cobrar a la empresa
procesadora que compra las hojuelas de patata de SSI. Esta decisin se toma en
negociaciones con la procesadora y tambin implica la cantidad de hojuelas que
la procesadora ordenar en el ao. Durante la preparacin para las negociaciones,
SSI ha estimado que si ellos insisten en el precio del ao anterior, 33 dlares por
quintal de hojuelas, es probable que la procesadora pida 800 000 quintales. Se
puede negociar un precio mayor o menor de los 33 dlares, pero el efecto ser
que la procesadora compre menos de 800 000 quintales (si el precio es mayor) o
ms (si es menor). Los directores de SSI han expresado su opinin con respecto
a la relacin entre el precio que se negocie y el volumen de hojuelas que se pedira,
como sigue:

Se requieren seis kilogramos de patatas para producir un kilogramo de hojuelas.


El costo variable de la deshidratacin de las patatas es de 13 dlares por quintal
de hojuelas, si el volumen es menor de 750 000 quintales, y de 16 dlares si es
mayor de 750 000 quintales. Los costos fijos son de cuatro millones de dlares
por ao.
El costo de las materias primas (patatas de calidad para proceso) depende, por
supuesto, de la decisin de cunto comprar con los contratos de pretemporada.
En aos anteriores SSI ha comprado la mitad de sus necesidades con este tipo de
contrato; sin embargo, la direccin de SSI pretende cambiar el proceso y comprar
mayor o menor parte de sus necesidades con los contratos de pretemporada. El
costo de compra de las patatas con los contratos de pretemporada es de dos dlares
por quintal, mientras que se desconoce el costo de compra en el mercado libre.
La direccin opina que el precio puede estar entre uno y tres dlares por quintal.
La cantidad de beneficios de SSI se obtiene restando, al ingreso por la venta
de las hojuelas de patatas a la procesadora, los costos de deshidratacin de las
patatas, el costo de compra (pretemporada y mercado libre) y los costos fijos.
a. Desarrolle un modelo para ayudar a SSI a tomar las dos decisiones que se
indican. Identifique las variables de decisin, las variables exgenas, las
medidas del rendimiento, las variables intermedias y las polticas y restricciones. Luego defina las relaciones entre las variables.
b. Implante el modelo en un computador con un programa de hoja de clculo.
c. Suponga que la direccin de SSI continuar con su poltica de contratos de
pretemporada por la mitad de sus requisitos de patatas, y que el pronstico
del precio de las patatas en el mercado libre es de dos dlares por quintal (el
mismo precio que en el contrato de pretemporada). Calcule el beneficio de SSI

40

Parte I Modelos y toma de decisiones

para una serie de casos en los cuales el precio de las hojuelas vare entre 31 y
34 dlares, con incrementos de 50 centavos (es decir, 31 dlares, 31.50, 32,
32.50, etctera). Con qu precio se obtienen mayores beneficios? Qu
sensibilidad presenta el beneficio frente a diferencias de precios entre 32 y
33 dlares?
d. Suponga que el precio de las hojuelas de patata es de 33 dlares por quintal.
Considere la tabla que se presenta a continuacin y compltela ensayando una
serie de casos y calculando el beneficio con los distintos valores del precio de
las patatas en el mercado libre y las diferentes polticas acerca de la porcin
de las necesidades de patatas que se compran con contrato de pretemporada.
Cul de las alternativas es la ms "conservadora". Nota: Dejaremos para el
captulo 4 el anlisis de la forma en que los directores deben escoger la accin
indicada en un problema de este tipo.
Porcentaje de patatas que Precio de las patatas en el mercado libre
se obtienen con contrato
de pretemporada
$1/quintal $2/quintal $3/quintal
25%
50
75

CASO 2-76

xxxx
xxxx
xxxx

xxxx
xxxx
xxxx

xxxx
xxxx
xxxx

Chase Manufacturing fabrica pequeos aparatos elctricos y artculos para el


hogar. Tiene una planta en Decatur, Indiana, y oficinas de ventas en Chicago. Los
productos se venden con distintas marcas a travs de los representantes del
fabricante, que atienden a distribuidores de artculos elctricos, ferreteras y
tiendas especializadas en artculos para el hogar.
El departamento de investigaciones de Chase ha desarrollado un producto
nuevo: un descorchador de botellas de vino con caractersticas especiales. Se
espera que el producto resulte atractivo como regalo barato, especialmente en la
temporada navidea.
El comit ejecutivo de Chase se rene para considerar el nuevo producto. Jane
Boxer, gerente de mercadotecnia, inicia la discusin.
Boxer: Creo que este descorchador ser un xito. Aunque hay infinidad de
modelos en el mercado, el nuestro tiene las caractersticas exclusivas que
le permitirn ser un xito en el mercado navideo. Es el regalo ideal para
quien lo tiene todo.
Nuestro plan es venderlo a travs de nuestros canales normales y darle
mucho empuje este ao, ya que el ao entrante habr pasado la novedad
y es probable que lo descartemos de la lnea de productos.
6

Fuente: Reimpreso con autorizacin de Stanford University Graduate School of Business, 1985 Board of
Trustees of the Leland Stanford Junior University.

Captulo 2 Introduccin a la construccin de modelos

41

Mi idea es asignar un precio inicial de ocho dlares al descorchador e


invertir alrededor de 50 000 dlares en anuncios y publicidad para informar a los clientes acerca del producto y venderlo. Como ustedes ya saben,
nuestros clientes son particularmente los que compran en las cadenas de
tiendas, en tiendas especializadas y en ferreteras. Hacia ellos se dirige
todo nuestro esfuerzo de ventas. Estimamos que el potencial total del
mercado es de 104 000 unidades a ocho dlares cada una; con los 50 000
dlares para publicidad y promocin, podemos alcanzar el 65% de penetracin [o sea, vender 65% de las 104 000 unidades, cerca de 68 000].
Obtuve estimaciones de los departamentos de contabilidad y manufactura y prepar el estado de proyeccin de ingresos que est frente a ustedes
[vase Tabla 2-7].
Jack Croxton, el controlador, prosigui:
Croxton: Las estimaciones que ha utilizado me parecen bastante razonables,
excepto por los costos generales y administrativos. De dnde obtuvieron el clculo del 15% de las ventas? La mayor parte de nuestros costos
administrativos y generales son salarios y otros costos fijos, por lo que
considero que, como mximo, este proyecto representa 40 000 dlares
adicionales.

Tabla 2-7

Compaa Chase Manufacturing


Nuevo descorchador de vinos
Anlisis pro forma (miles
de dlares)*
Ventas

$540.8

Costos de manufactura
Costos de mercadotecnia
Costos administrativos y generales

282.8
104.1
81.1

Costos totales
Beneficios antes de impuestos

468.0
72.8

* Hiptesis:
Precio de venta, neto con descuentos: 8 dlares por unidad.
Potencial total de mercado: 104 000 unidades.
Penetracin en el mercado: 65%.
Ventas de unidades (65% de 104 000): 67 600 unidades.
Costos de manufactura: 80 000 dlares ms tres dlares
por unidad.
Costos de mercadotecnia: 10% de las ventas (comisiones
por ventas)
ms 50 000 dlares para publicidad y promocin.
Costos administrativos y generales: 15% de las ventas.

42

Parte I Modelos y toma de decisiones


Boxer: El total de los costos generales y administrativos de la corporacin fue
del 15% de las ventas el ao pasado y yo utilic el mismo porcentaje.
Tendremos que agregar un gerente de proyecto e incurrir en algunos otros
costos administrativos, los cuales, estoy de acuerdo, no ascendern probablemente a ms de 40 000 dlares. Sin embargo, no deberamos usar
el mismo porcentaje que el total corporativo de gastos administrativos y
generales?
El seor J. L. Chase, presidente de la compaa, interrumpi:
Chase: A primera vista el proyecto me parece favorable. Pero, por qu eligieron
el precio de ocho dlares y los 50 000 para publicidad y promocin? Por
qu no bajar el precio a cinco dlares? Creo que el potencial de mercado
a ese precio sera de 200 000 unidades y quizs debamos invertir ms de
50 000 dlares en publicidad y promocin para asegurar la captacin
de buena parte de ese potencial.
Croxton: Lo que me preocupa, J. L., es que si reducimos el precio, el margen ser
demasiado pequeo y no obtendremos beneficios.
Manuel Olivera, gerente de produccin, agreg:
Olivera: Adems, nuestra capacidad de produccin es limitada. Para producir
ms de 75 000 unidades tendramos que usar tiempo extra y efectuar
algunas subcontrataciones. Con esto los costos variables subiran a
cuatro dlares por cada unidad adicional a las 75 000. As mismo, si el
volumen es superior a 75 000 necesitaramos maquinaria adicional, lo
que sumara 10 000 dlares a los 80 000 del presupuesto de Jane.
Croxton: Si hay que hacer algo, yo opino que deber ser aumentar el precio,
digamos a 10 dlares por unidad. S que con esta medida bajara el
potencial de mercado, pero el margen sera muy saludable para las
unidades que s se vendan.
Boxer: Considero que el potencial de mercado sera de slo 40 000 unidades si
el precio es de 10 dlares.
La discusin continu durante varios minutos, sin lograr el consenso acerca
del precio.
Chase: Jane, no comprendo los aspectos acerca del potencial del mercado y de
qu manera los 50 000 dlares para publicidad nos permitirn capturar el
65% del potencial del mercado. Podra explicarlo un poco ms?
Boxer: Bueno, J. L., usted recordar el proyecto de investigacin que llevamos
a cabo con nuestra agencia de publicidad. Ahora se presenta la primera
oportunidad para aplicar los resultados. Con base en las entrevistas con
una muestra de clientes, pudimos evaluar la efectividad de nuestra publicidad en el pasado. En la figura 2-8 se muestra la proyeccin del resultado
para este producto. Estimamos la penetracin en el potencial total del

Captulo 2 Introduccin a la construccin de modelos


Figura 2-8

43

Relacin entre gastos de publicidad y penetracin en el mercado


para Chase Manufacturing

mercado con tres niveles de publicidad. Es obvio que si no invertimos


nada en publicidad y promocin, los clientes ni siquiera conoceran el
producto y, por lo tanto, no lo compraran. ste es el punto que se muestra
en el origen de la figura 2-8. Despus consideramos con cuidado cmo
gastaramos un presupuesto de 50 000 dlares (los anuncios que se
utilizaran, ofertas especiales, etctera) y calculamos que alcanzaramos
el 65% del potencial del mercado. Es decir, llegaramos al 65% de las
personas dispuestas a comprar el producto. De manera parecida, estimamos una penetracin cercana al 88% si el gasto fuera de 100 000 dlares.
Uno de mis asistentes ajust a los tres puntos la funcin matemtica que
se muestra. Esta curva tiene sentido para nosotros.
Chase: Pero, cmo acordaron 50 000 dlares para publicidad y promocin?
Boxer: En realidad es algo tentativo. Pensamos llevar a cabo un anlisis ms
detallado de los gastos ptimos.
a. Elabore un modelo que ayude al comit ejecutivo de Chase a decidir acerca del
precio y la publicidad del nuevo descorchador de botellas de vino.
Considere la figura 2-9 como auxiliar en el proceso. El grfico muestra tres
puntos que relacionan el precio con el potencial total de mercado. El punto
correspondiente al precio de ocho dlares y al potencial de mercado de 104 000
unidades es el que se menciona en el plan de Boxer de la tabla 2-7. El punto

44

Parte I Modelos v toma de decisiones

Figura 2-9

Relacin entre potencial de mercado y precio para Chase

con precio de cinco dlares y con potencial de mercado de 200 000 unidades
es el que propuso Chase. Boxer tambin proporcion el punto donde el
precio es de 10 dlares y el potencial de mercado es de 40 000 unidades.
Suponga que es razonable unir estos tres puntos con una lnea recta, como
se ilustra en la figura 2-9. Los economistas lo llaman funcin de demanda. La
ecuacin de una recta es:
Potencial de mercado = m Precio + b
donde m y b son constantes que se determinarn. A la constante m se le llama
pendiente de la recta. Vea si puede determinar los valores de m y b por tanteo;
si, despus de cierto tiempo, no lo logra, consulte el pie de pgina 7.7
b. Defina las otras relaciones del modelo de Chase.
c. Por ltimo, use su modelo para calcular el beneficio del siguiente caso:8
Precio = 7 dlares por unidad
Publicidad = 100 000 dlares

7
8

La ecuacin es: Potencial de mercado (miles de unidades) = 360 - 32 Precio


Si no tiene una calculadora que obtenga potencias de e, el valor de

Captulo 2 Introduccin a la construccin de modelos

45

d. Implante su modelo con un programa de hoja de clculo. Despus, por tanteo,


encuentre los valores para el precio y la publicidad que generen el mayor
beneficio.
e. Determine los valores de los beneficios si la publicidad asciende a 70 000
dlares y los precios varan entre siete y nueve dlares (con intervalos de
10 centavos). Grafique los resultados como una curva que muestre la relacin
entre el precio y el beneficio. Repita el procedimiento con 90 000 dlares para
publicidad y dibuje la curva en el mismo grfico. Haga lo anterior una vez ms,
con 100 000, 110 000 y 130 000 dlares para publicidad (todo esto se puede
hacer en unos cuantos pasos con algunos programas de hoja de clculo).
Con base en esta curva, qu puede decir acerca del mejor precio y la mejor
publicidad?

CASO 2-89

El comit ejecutivo del peridico Gotham City Tunes se rene para considerar
propuestas del departamento de promocin y del director de operaciones. A usted,
como asistente del editor, se le ha pedido que estudie los aspectos financieros de
estas propuestas.
Operaciones del Times. La mayora de los peridicos como el Times obtienen
ingresos de dos fuentes: (1) la circulacin, o sea, la venta de los peridicos al
pblico lector, y (2) las ventas de espacio publicitario. Los costos se relacionan
con (1) el sistema de distribucin (que el peridico llegue a los clientes); (2) la
cobertura editorial y de noticias; (3) la composicin, es decir, la tipografa, el
formato para fotograbado y el trabajo artstico; (4) la impresin, o sea, operar las
imprentas para producir el peridico; y (5) el papel y la tinta.
Para el Tunes, la circulacin y la publicidad son factores relacionados. Si la
circulacin es mayor deben aumentar los ingresos por publicidad, ya que sta
llegara a ms personas, algo que favorece a los anunciantes. As mismo, muchas
personas compran el peridico por los anuncios.
Ingresos y costos. A efectos de planificacin se considera un mes como una
unidad y se utilizan promedios mensuales de circulacin, publicidad y noticias.
El promedio actual de la circulacin diaria es de un milln (30 millones al mes).
Los ingresos medios son de 15 centavos por peridico al da.
La publicidad se mide en pulgadas columna. Actualmente, el peridico contiene 225 000 pulgadas columna de publicidad por mes, lo que genera ingresos de
20 dlares por pulgada columna. Los artculos editoriales y las noticias ocupan el
resto del peridico y en la actualidad representan 135 000 pulgadas columna por
mes. No se contempla ningn cambio al espacio asignado a esta categora. Una
pgina del Times contiene 200 pulgadas columna.
Los costos variables de composicin se muestran en la tabla 2-8, mientras que
en la tabla 2-9 se indican los costos variables de impresin. Un pliego es una copia

Fuente: Reimpreso con autorizacin de Stanford University School of Business, 1981 Board of Trustees of
the Leland Stanford Junior University.

46

Parte I Modelos y toma de decisiones

Tabla 2-8

Costo de composicin

Tabla 2-9

Tipo de material

Costo variable (por pulgada columna)

Material publicitario
Material de noticias, editorial y especial

$4
$6

Costos y capacidad de impresin


Costo variable (por
milln de pliegos impresos)
Tiempo normal
Tiempo extra

Tabla 2-10

$800
$1200

Capacidad (en
millones de pliegos
mensuales)
1500
Sin lmite

Costos fijos
Departamento
Editorial, noticias y especiales
Composicin
Impresin
Distribucin

Costo fijo (miles


de dlares por mes)
$1000
90
300
700
$2090

de la pgina del peridico. Por ejemplo, si una edicin contiene 50 pginas y la


circulacin del Times es de 50 millones de ejemplares, esto da como resultado
50 millones de pliegos para ese da. Observe que la capacidad de la imprenta, en
tiempo normal, es de 1500 millones de pliegos por mes.
Los costos de distribucin variables dependen de la circulacin y del tamao
de la edicin, y promedian 40 dlares por tonelada de peridico que se entrega.
Los costos fijos de los departamentos editorial, de composicin, de impresin y
de distribucin se exhiben en la tabla 2-10. El costo del papel es de 120 dlares
por tonelada y es completamente variable. Una tonelada de papel alcanza para
imprimir 90 000 pliegos. Puesto que hay huelgas en algunas fbricas de papel,
ninguno de los proveedores regulares suministrar ms de 20 000 toneladas de
papel al Times en un mes. Si se requiere ms de esta cantidad, slo se puede
obtener a 160 dlares por tonelada.
Propuestas. El departamento de promocin considera varias alternativas para
aumentar la circulacin (por ejemplo, suscripciones a prueba con precio reducido). En la tabla 2-11, se muestran dos de las propuestas, como alternativas B y C,

Captulo 2 Introduccin a la construccin de modelos

Tabla 2-11

Alternativa
A
B (+10%)
C (+20%)

47

Alternativas de promocin y efecto sobre la circulacin


con distintas tasas de publicidad

Circulacin
(promedio diario)

Costo de
obtener
circulacin
adicional
(miles de dlares)

1 000 000*
1 100 000
1 200 000

o
400
800

Volumen de publicidad Volumen de publicidad


(miles de
(miles de
pulgadas columna)
pulgadas columna)
con tarifa de $20
con tarifa de $22
225*
235
240

200
225
230

*Niveles actuales.

donde se indican el aumento en circulacin y el costo para obtener el aumento. El


costo se paga en el primer mes y el aumento en circulacin por lo general dura
alrededor de tres meses.
En la tabla 2-11 tambin se muestran los volmenes de publicidad con la
tarifa actual de 20 dlares por pulgada columna, as como el volumen si la tarifa
aumentara a 22 dlares por pulgada columna. De esta manera se pueden evaluar
las propuestas de cambios en la tarifa con distintos niveles de circulacin.
Tambin existen variaciones por temporada, tanto por encima como por debajo
de los niveles normales que se mencionan en la tabla 2-11. Concretamente, el
prximo mes deber ser normal, el siguiente 15% arriba de lo normal y el tercero
10% debajo.
El director de operaciones quiere adems subcontratar la impresin de varias
secciones de la edicin dominical, con el objetivo de reducir el tiempo extra de
impresin. (Nota: Varias de las secciones dominicales se imprimen durante la
semana, por lo que la impresin externa tendra efecto uniforme en el programa de actividades del rea de impresin.) El director de operaciones tiene una
oferta de una imprenta de la localidad para efectuar el trabajo de impresin y
proporcionar el papel, con un costo de 2600 de dlares por milln de pliegos. Sin
embargo, la imprenta insiste en un contrato de tres meses con la misma cantidad
de trabajo en cada uno.
a. Indique los objetivos generales del modelo y las medidas de rendimiento
especficas que usara.
b. Indique en trminos generales cules son las decisiones que hay que tomar y
luego defina las variables de decisin especficas que se usarn.
c. Identifique otras variables importantes (exgenas e intermedias) que requiere
el modelo. Sea especfico y defina las variables que deben usarse y sus unidades
de medida.
d. Indique cules son las polticas que limitan o restringen las decisiones.
e. Indique las relaciones que hay que identificar al construir el modelo. Sea
especfico; en otras palabras, muestre las ecuaciones.

48

Parte I Modelos y toma de decisiones


Considere como caso base el que sigue, con los valores que se indican para las
variables de decisin:
Circulacin inicial = 1 milln por da Precio de
publicidad = 20 dlares por pulgada Cantidad inicial de
publicidad = 225 000 pulgadas Pliegos impresos
externamente = 0
f. Estudie la propuesta para imprimir los pliegos externamente, como sugiere el
director de operaciones. Hay que hacerlo? Si es as, por cuntos millones de
pliegos al mes debe ser el contrato?
g. Si pudiera aumentar la circulacin inicial en 1% y todo lo dems permaneciera
igual, cul sera el efecto sobre el beneficio total del trimestre?
h. Cul debe ser el nivel de circulacin para que el beneficio trimestral sea de
un milln de dlares?
i. Cunto tendra que disminuir la cantidad inicial de publicidad para que el
beneficio trimestral fuera negativo?
j. En algunas ciudades los peridicos han aumentado el precio de venta. Suponga
que el Gotham City Tunes aumenta su precio (lo dems permanece sin cambios). Cul sera el efecto sobre la rentabilidad?
k. En la tabla 2-11 se describen seis combinaciones posibles, las alternativas A,
B y C, cada una con tarifa de publicidad de 20 y 22 dlares. En cada una de
estas combinaciones hay variaciones que dependen de la cantidad de pliegos
que se impriman externamente. Escoja dos o tres planes que puedan presentarse
a la direccin superior para considerarse con mayor detenimiento.
l. Considere los cinco parmetros que se presentan en la siguiente tabla. Cada
parmetro se presenta con el intervalo dentro del cual puede variar. Cul es la
sensibilidad del beneficio total con respecto a estas variaciones? Con cul
parmetro es ms sensible el beneficio? Dibuje un diagrama de araa.

Intervalo
Parmetro
Precio de venta
Capacidad de impresin
Cantidad de material editorial
Cantidad inicial de publicidad
Costo de compra de papel (por encima de 20 000 toneladas)

Bajo
0.14
1400
120
200
120

Caso base

Alto

0.15
1500
135
225
160

0.18
1700
150
240
180

PARTE

Anlisis de decisiones

CAPTULO

Conceptos bsicos de
probabilidad

Si fuera posible tomar todas las decisiones empresariales en condiciones de


certidumbre, la nica justificacin vlida para una mala decisin sera no considerar todos los hechos pertinentes. Si hay certidumbre, se puede hacer un pronstico perfecto. Por desgracia, es casi imposible que un director acte en un mundo
de certidumbre, ya que por lo general se ve obligado a tomar decisiones en las
que hay incertidumbre acerca de lo que suceder despus de tomarlas. En esta
situacin existe una herramienta, la teora matemtica de la probabilidad, que
puede ser de gran utilidad para el decisor.
En este captulo se presentar una parte de la notacin y de las relaciones
bsicas de la teora de la probabilidad que el lector aplicar en captulos posteriores. Aunque los aspectos matemticos de la probabilidad estn bien definidos, la
persona que trate de aplicar los modelos del libro se percatar de que existe mucha
incertidumbre con respecto a las entradas de informacin que se requieren.
Adems, muchos de los modelos hacen abstracciones de las complejidades de
la realidad.

Probabilidades objetivas y subjetivas


Casi todos conocemos las leyes del azar relacionadas con el lanzamiento de una
moneda. Si alguna persona nos pregunta cul es la probabilidad de que caiga cara
al lanzar una moneda, la respuesta ser "la mitad", o 0.50. La respuesta se basa
en la experiencia comn que se tiene con las monedas y se supone que se trata de
una moneda legtima que se lanza de manera "legtima". Lo anterior es un ejemplo
51

52

Parte II Anlisis de decisiones


de probabilidad objetiva. Hay dos interpretaciones de la probabilidad objetiva.
La primera se basa en la simetra de resultados e implica que los resultados
idnticos en los aspectos esenciales deben tener la misma probabilidad. Una
moneda legtima se define como una que est equilibrada correctamente y tiene
dos lados idnticos (exceptuando las pequeas diferencias en las imgenes).
Entonces, cada lado debe tener la probabilidad de 50% (si se omite la posibilidad
de que la moneda caiga sobre el canto). Si la moneda estuviera doblada o cargada,
o tuviera dos lados iguales, la respuesta sera diferente. Otro ejemplo: suponga
que hay una caja que contiene tres bolas rojas y siete negras (todas del mismo
tamao, iguales al tacto e idnticas en todos los dems aspectos, excepto en el
color) y que todas estn bien mezcladas. La interpretacin de la simetra de
resultados asignara una probabilidad de 0.10 a cada bola y, por lo tanto, habra
una probabilidad de 0.30 de extraer una bola roja.
La interpretacin como frecuencia relativa de la probabilidad objetiva se basa
en la experiencia histrica en situaciones idnticas. As, si se ha lanzado una
moneda 10 000 veces y en 4998 ocasiones cay cara, se llegara a la conclusin de
que la probabilidad de que cayera cara la siguiente vez que se lanzara la moneda
de igual manera sera de 0.50 (es decir, 4998/10 000, redondeado).
La interpretacin subjetiva de la probabilidad muchas veces es til para la
toma de decisiones empresariales. En el caso de la probabilidad objetiva, la base
es la informacin histrica definitiva, la experiencia comn (evidencia objetiva)
o el anlisis riguroso. En el caso de la interpretacin subjetiva es posible que no
exista informacin histrica y, en vez de la evidencia objetiva, la base para la
asignacin de probabilidades sera la experiencia personal. Muchas veces se
requiere la interpretacin subjetiva para la toma de decisiones empresariales, ya
que no se dispone de evidencia objetiva confiable.
Suponga que un director trata de decidir si debe comprar o no una nueva fbrica
y que el xito de la fbrica depende en gran medida de que se presente una recesin
en los prximos cinco aos. Una probabilidad asignada a la ocurrencia de una
recesin, sera un peso subjetivo. No existe una historia larga y comn que pueda
proyectarse con confianza hacia el futuro, como sucedi en los ejemplos de
la moneda y de las bolas. Sin embargo, puede ser apropiado, de hecho necesario,
considerar el suceso "ocurrencia de una recesin" y despus de obtener pruebas
y utilizar el juicio empresarial, el director podr asignar una probabilidad al
suceso y usarla para la toma de decisiones. Definitivamente no habr tanto
consenso con respecto a esta probabilidad como la que existe con la probabilidad
de extraer una bola roja o de que caiga cara al lanzar una moneda. Este libro se
centra en las decisiones empresariales, por lo cual se asignarn con frecuencia
probabilidades subjetivas a los sucesos que tengan efectos importantes en la
decisin. Con esto se pretende asegurar la consistencia entre el juicio que tiene
el decisor acerca de los estados posibles y la decisin que se tome.
Un objetivo importante del proceso de decisin que se propone es permitir que
el decisor piense en funcin de los sucesos que pueden ocurrir despus de tomar
una decisin, en las consecuencias de dichos sucesos y en la probabilidad de los
sucesos y consecuencias, en vez de que el director pase directamente a evaluar si
la decisin es deseable o no.

Captulo 3 Conceptos bsicos de probabilidad

53

Enunciados bsicos de la probabilidad


Dos enunciados bsicos de las probabilidades son:
1. La suma de las probabilidades de todos los resultados posibles de un ensayo
debe ser igual a uno.
2. Las probabilidades siempre son mayores o iguales a cero (es decir, las probabilidades nunca son negativas) y son menores o iguales a uno. Cuanto menor
es la probabilidad menos posible es el suceso.
El primer enunciado indica que si A y B son los nicos candidatos para un
puesto, la probabilidad de que gane A ms la probabilidad de que gane B debern
sumar uno (suponiendo que no es posible un empate).
El segundo enunciado da como resultado las siguientes interpretaciones. Si un
suceso tiene probabilidad positiva, puede ocurrir; el suceso puede ser imposible
y entonces la probabilidad ser cero; o es seguro que ocurra el suceso y en este
caso la probabilidad ser igual a uno. Sin importar si las probabilidades se
interpretan como probabilidades objetivas o pesos subjetivos, es prctico pensar
en funcin de una escala de ponderacin que va de cero a uno. Si alguien lanza
500 veces una moneda de caractersticas desconocidas para obtener una estimacin de las probabilidades objetivas y los resultados son 225 caras y 275 cruces,
se puede convertir el intervalo de resultados posibles a una escala de cero a uno
dividindolo entre 500. Los resultados reales son 225/500 = 0.45 caras y 275/500
= 0.55 cruces. Entonces, si se desea obtener las probabilidades, los datos se
manipulan para que se ajusten a la escala de cero a uno. Los valores de 0.45 y 0.55
se pueden usar como estimaciones de las probabilidades verdaderas de obtener
cara o cruz (se desconocen las probabilidades verdaderas).

Sucesos mutuamente excluyentes


Dos sucesos o ms son mutuamente excluyentes si slo puede ocurrir uno de
ellos en un ensayo. Se pueden sumar las probabilidades de los sucesos mutuamente excluyentes para obtener la probabilidad de que ocurra uno de los sucesos de
un conjunto dado de sucesos.
Ejemplo

Las probabilidades de la tabla 3-1 indican la estimacin subjetiva del editor de un


peridico con respecto a la posibilidad relativa de cuatro candidatos para ocupar
un cargo pblico (suponga que no se permiten empates).
Estos sucesos son mutuamente excluyentes, ya que en una eleccin (un ensayo)
slo puede ocurrir un suceso; por lo tanto, las probabilidades son aditivas. La
probabilidad de una victoria demcrata es de 0.60; para la victoria republicana es
0.40; de que gane C o D, 0.68. La probabilidad de que ganen tanto B como C
es cero, ya que en cualquier ensayo slo puede ocurrir uno de los sucesos
mutuamente excluyentes.

54

Parte II Anlisis de decisiones

Tabla 3-1
Suceso: Eleccin

Probabilidad

Candidato demcrata A
Candidato demcrata B
Candidato republicano C
Candidato republicano D

0.18
0.42
0.26
0.14
1.00

Sucesos independientes
Los sucesos pueden ser dependientes o independientes. Si dos sucesos son
independientes (estadsticamente), la ocurrencia de un suceso no afectar la
probabilidad de que ocurra el segundo.1
Cuando dos sucesos o ms son independientes, la probabilidad de que ocurran
los dos (o ms de dos) es igual al producto de las probabilidades de los sucesos
individuales. Es decir:
P(A y B) = P(A) P(B) si A,B son independientes

(3-1)

donde:
P(A y B) = Probabilidad de que ocurran los sucesos A y B
P(A) = Probabilidad del suceso A
P(B) = Probabilidad del suceso B
La ecuacin 3-1 indica que la probabilidad de que ocurran A y B es igual a la
probabilidad de A multiplicada por la probabilidad de B, si A y B son independientes. Si A es la probabilidad de que caiga cara la primera vez que se lanza una
moneda y B es la probabilidad de que caiga cara en el segundo lanzamiento,
entonces:
P(A) =
P(B) =
P(A y B) = =

La probabilidad de que ocurra A y luego B (dos caras) es un cuarto. P(A y B) es la


probabilidad conjunta de los sucesos A y B. Si es apropiado, la palabra y se

Hay que distinguir la dependencia o independencia estadstica de la dependencia o independencia causal. Que
dos sucesos dependan entre s estadsticamente no quiere decir que uno sea la causa del otro. Cuando se utilice
el trmino dependencia o independencia en este libro, se har referencia a la dependencia o independencia
estadstica.

Captulo 3 Conceptos bsicos de probabilidad

55

puede omitir para que la notacin sea ms sencilla y escribir la probabilidad


conjunta como P(AB).
Para definir la independencia en forma matemtica se requiere el smbolo
P(B|A), que se lee como "la probabilidad del suceso B, dado que ya ocurri el
suceso A". P(B|A) es la probabilidad condicional del suceso B si ya tuvo
lugar el suceso A. Observe que P(B|A) no significa la probabilidad del suceso B
dividida entre A; la raya vertical seguida por .4 significa "dado que ya ocurri el
suceso A".
Con sucesos independientes:
P(B|A) = P(B) si A, B son independientes

(3-2)

Es decir, la probabilidad del suceso B, supuesto que ya ocurri el suceso A, es


igual a la probabilidad de B si los dos sucesos son independientes. En el caso de
dos sucesos independientes, la ocurrencia de uno no afecta la probabilidad
de ocurrencia del segundo [de manera similar, P(A\B) = P(A)]. Las ecuaciones
3-1 y 3-2 son las definiciones bsicas de la independencia entre dos sucesos.

Sucesos dependientes
Dos sucesos son dependientes si la ocurrencia de uno de ellos afecta la probabilidad de ocurrencia del segundo.
Ejemplo:
Sucesos
dependientes

Lance una moneda legtima y determine si el resultado es cara o cruz. Si es cara,


arroje de nuevo la moneda; si es cruz, lance una moneda que no sea legtima, con
probabilidad de tres cuartos de que caiga cara y con probabilidad de un cuarto de
que sea cruz. Afecta de alguna manera el resultado del primer lanzamiento a la
probabilidad de que caiga cara en el segundo? La respuesta es "s", ya que el
resultado del primer lanzamiento determina cul ser la moneda (legtima o
ilegtima) que se lance la segunda vez.
Otro ejemplo de sucesos dependientes comprende sucesos mutuamente excluyentes. Si los sucesos A y B son mutuamente excluyentes, entonces son dependientes. Puesto que ya ocurri el suceso A, la probabilidad condicional de que
ocurra B debe ser cero, ya que son sucesos mutuamente excluyentes. Es decir,
P(B\A) = 0 si los sucesos A y B son mutuamente excluyentes.

RESUMEN

Una probabilidad es un nmero entre cero y uno, que representa la posibilidad


de ocurrencia de un suceso. Las probabilidades pueden ser objetivas, si se basan
en simetra o en mucha experiencia; o subjetivas, si se apoyan en el juicio
del decisor. La probabilidad de ocurrencia de uno de dos o ms sucesos mutuamente excluyentes es la suma de las probabilidades de los sucesos. Dos sucesos
,son independientes si la ocurrencia de uno no afecta la probabilidad de ocurrencia
del otro.

56

Parte II Anlisis de decisiones

Probabilidades condicional, marginal y conjunta


Ahora se presenta una relacin de probabilidad muy importante:

La probabilidad condicional del suceso B, dada la ocurrencia del suceso A,


es igual a la probabilidad conjunta de A y B, dividida entre la probabilidad del
suceso A.
Se pueden multiplicar ambos lados de la ecuacin por P(A) y reescribir la
ecuacin 3-3 como sigue:
P(A y B) = P(B |A) P(A)

(3-4)

En otras palabras, la probabilidad conjunta de A y B es igual a la probabilidad


condicional de B dado A, multiplicada por la probabilidad de A.
Veamos estas frmulas suponiendo que son sucesos independientes. De la
ecuacin 3-3:

Pero de la ecuacin 3-1:


P(A yB) = P(A) P(B)
para sucesos independientes. Al sustituir P(A) P(B) por P(A y B) en la ecuacin 33, se obtiene:

sta es la definicin matemtica de la independencia que se present antes en


la ecuacin 3-2.
Ahora se usarn dos ejemplos para ilustrar lo siguiente:
1. Probabilidades incondicionales (marginales). El trmino marginal se refiere
al hecho de que las probabilidades se encuentran en lo mrgenes de una tabla
de probabilidades conjuntas (vase Tabla 3-3); suman uno. Una probabilidad
marginal se refiere a la probabilidad de ocurrencia de un suceso que no est
condicionado por la ocurrencia de otro. P(A) y P(B) son ejemplos de probabi
lidades incondicionales o marginales.
2. Probabilidades condicionales, como P(A\B) y P(B\A).
3. Probabilidades conjuntas, como P(A y B) o P(AB).

Ejemplo 1

Suponga que hay tres cajas que contienen bolas rojas y negras, de la siguiente
manera:
Caja 1: 3 rojas y 7 negras
Caja 2: 6 rojas y 4 negras
Caja 3: 8 rojas y 2 negras

Captulo 3 Conceptos bsicos de probabilidad

57

Figura 3-1

Tabla 3-2
Suceso
RR
RN

NR
NN

Marginal

Condicional

Conjunta

P(A)

P(B\A)

P(A y B)

P(R) = 0.30
P(R) = 0.30
P(N) = 0.70
P(N) = 0.70

P(R|R) = 0.60
P(N|R) = 0.40
P(R|N) = 0.80
P(N|N) = 0.20

P(RR) = 0.18
P(/RN) = 0.12
P(NR) = 0.56
P(NN) = 0.14

Suponga que se extrae una bola de la caja 1; si es roja, se extrae una bola de la
caja 2. Si la bola extrada de la caja 1 es negra, entonces se extrae una de la caja 3.
El diagrama de la figura 3-1 ilustra el juego. Considere las siguientes preguntas
relacionadas con las probabilidades en este juego:
1. Cul es la probabilidad de extraer una bola roja de la caja 1? Esta probabilidad
es incondicional o marginal e igual a 0.30 (la probabilidad marginal de sacar
una negra es 0.70).
2. Suponga que se extrae una bola de la caja 1 y es roja; cul es la probabilidad
de sacar otra bola roja de la caja 2 en la segunda extraccin? La respuesta es
0.60. ste es un ejemplo de una probabilidad condicional; es decir, la probabilidad de extraer una bola roja la segunda vez si se saca una bola roja de la
caja 1 es una probabilidad condicional.
3. Suponga que la primera bola que se sac es negra; cul es la probabilidad
condicional de que la segunda bola (esta vez de la caja 3) sea roja? La
probabilidad es 0.80. La extraccin de la caja 1 (el suceso que condiciona o
condicionante) es muy importante para determinar las probabilidades de una
bola roja (o negra) en la segunda extraccin.
4. Suponga que antes de extraer bolas se plantea la pregunta: Cul es la probabilidad de sacar dos bolas rojas? Aqu sera una probabilidad conjunta; el

58

Parte II Anlisis de decisiones

suceso sera una bola roja en ambas extracciones. El clculo de la probabilidad


conjunta es un poco ms complicado que en las preguntas anteriores, por lo
que ser til un poco de anlisis. Los clculos son:
P(A y B) = P(B\A) P(A)

(3-4)

La tabla 3-2 y la figura 3-2 indican que la probabilidad de sacar dos bolas rojas
es 0.18 [es decir, P(R y R) o, de manera ms sencilla, P(RR), la rama superior del
rbol]: Las probabilidades conjuntas se pueden resumir como sigue:

Dos bolas rojas


P(RR) = 0.18
Una bola roja en la primera extraccin y y una negra en la segunda P(RN) = 0.12
Una bola negra en la primera extraccin y una roja en la segunda P(NR) = 0.56
Dos bolas negras
P(NN) = 0.14
1.00

La figura 3-2 es lo que se denomina diagrama de rbol. Es un medio muy til


para ilustrar situaciones de incertidumbre. La primera bifurcacin indica que se
puede extraer una bola roja o negra, as como las probabilidades de estos sucesos.
Si se extrae una bola roja, se pasa a la caja 2, de la cual tambin se puede sacar
una bola negra o una roja, pero con probabilidades determinadas por el hecho de
que la extraccin se hace de la caja 2. En el segundo nivel de bifurcaciones hay
probabilidades condicionales (las probabilidades dependen de que se haya extrado una bola negra o una roja en la primera extraccin). Al final de cada ruta estn
las probabilidades conjuntas correspondientes a la ruta. Estas probabilidades se
obtienen al multiplicar las probabilidades marginales (incondicionales) de la
primera rama por las probabilidades condicionales de la segunda.
La tabla 3-3 presenta estos resultados en una tabla de probabilidad conjunta;
las intersecciones de las filas y de las columnas son probabilidades conjuntas. La
columna de la derecha presenta las probabilidades incondicionales (marginales)
del resultado de la primera extraccin; la fila inferior contiene las probabilidades
incondicionales o marginales de los resultados de la segunda extraccin. La tabla
3-3 es un resumen del diagrama de rbol.
Calculemos ahora otras probabilidades:
1. Probabilidad de una bola roja y una
negra, sin importar el orden
= 0.56 + 0.12
2. Probabilidad de una bola negra en la segunda extraccin:
Explicacin del clculo:
Probabilidad roja-negra
=0.12
Probabilidad negra-negra
= 0.14
Probabilidad de negra en
la segunda extraccin
= 0.26

= 0.68
= 0.26

Captulo 3 Conceptos bsicos de probabilidad

Figura 3-2

Diagrama de rbol

3. Probabilidad de que la segunda extraccin sea roja S la primera


tambin es roja:
Si la primera extraccin es roja, corresponde a
la fila R de la tabla 3-3, que contiene 0.30.
La pregunta es cul ser la proporcin de 0.18
con respecto a 0.30. La respuesta es 0.60; o, de
acuerdo con la frmula:

Ejemplo 2

59

= 0.60

Suponga que se lanza dos veces una moneda y se piden las siguientes probabilidades:
1. Probabilidad de dos caras.
2. Probabilidad de una cara y una cruz en dos lanzamientos.
3. Probabilidad de que el segundo lanzamiento d cara.

60

Parte II Anlisis de decisiones

Tabla 3-3

Tabla de probabilidad conjunta

4. Probabilidad de que el segundo lanzamiento d cara supuesto que el primero


fue cruz.
La tabla 3-4 presenta todos los resultados posibles para dos lanzamientos (H =
cara, T = cruz) y sus probabilidades. Ahora, con la tabla, se pueden determinar
las cuatro probabilidades requeridas:

Una caracterstica importante del ejemplo anterior es que ilustra la independencia. Observe que son iguales las dos ltimas probabilidades que se calculan;
la probabilidad de cara en el segundo lanzamiento es l/z, sin importar el resultado
del primer lanzamiento. Se dice que ambos sucesos son independientes ya que la
probabilidad de que en el segundo lanzamiento resulte cara no se ve afectada por
el resultado del primer lanzamiento. Esto no sucedi en el ejemplo 1, donde la
probabilidad de una bola roja en la segunda extraccin era afectada por el
resultado de la primera extraccin. Para hacer un resumen de este resultado:
Dependencia (ejemplo 1)

Captulo 3 Conceptos bsicos de probabilidad

61

Tabla 3-4
Suceso

Probabilidad

Frmula

Frmula general:

Independencia (ejemplo 2)
Probabilidad condicional
de cara en el segundo
lanzamiento, si cae cruz
en el primero

Probabilidad conjunta
Probabilidad marginal
de cara en el primer
lanzamiento ( 1/2 )

0.50, probabilidad
marginal de que resulte
cara

Frmula general:

si B es independiente de A.
Ejemplo 3

A continuacin se presenta otro ejemplo de las definiciones bsicas de las


probabilidades. Se lleva a cabo una encuesta a 100 familias y se obtiene informacin acerca de los ingresos familiares y de la compra de un producto alimenticio
especial en la familia. Los resultados se muestran en la tabla 3-5. Suponga que
se seleccionar al azar una familia de este grupo.
1. Cul es la probabilidad de que la familia seleccionada sea compradora del
producto? 38 familias los compran; entonces, la probabilidad es 0.38. Observe
que es una probabilidad marginal o incondicional.
2. Cul es la probabilidad de que la familia seleccionada sea un comprador con
ingresos elevados? Ahora se trata de una probabilidad conjunta, donde P(Comprador e Ingresos altos) = 20/100 = 0.20.
3. Suponga que se selecciona al azar una familia y que se le informa que tiene
ingresos altos. Cul es la probabilidad de que la familia tambin sea un
comprador del producto? Observe que aqu se pide la probabilidad condicional
P(Comprador|Ingresos altos). Del total de 40 familias con ingresos altos, 20
son compradores; entonces, la probabilidad es 20/40 = 0.50.

62

Parte II Anlisis de decisiones

Tabla 3-5

Estudio de 100 familias, clasificadas por nivel de ingresos y


por comportamiento en compras
Ingresos bajos
(ingresos familiares
inferiores a $30 000)

La familia:
Compra productos alimenticios especiales
No los compra
Nmero total de familias

18
42
60

Nmero
Ingresos altos
(ingresos familiares total de
superiores a $30 000) familias
20
20

38
62

40

100

4. Son independientes los sucesos Comprador e Ingresos altos en este grupo de


familias? Observe a partir de la pregunta 1 que P(Comprador) = 0.38; de la
pregunta 3, P(Comprador|Ingresos altos) = 0.50. No son iguales; por lo tanto,
los dos sucesos son dependientes. Si se sabe que la familia tiene ingresos altos
se afecta la probabilidad de que sea un comprador. Otra forma de expresar esta
dependencia es decir que el porcentaje de compradores no es igual entre las
familias con ingresos bajos que entre las de ingresos elevados.

Modificacin de probabilidades
Despus de analizar la probabilidades conjuntas y las condicionales, pasemos
a estudiar cmo se modifican las probabilidades para incorporar informacin
nueva.
Suponga que no sabemos si una moneda es legtima. Si lo es, la probabilidad
de que caiga cruz es 0.50; si la moneda no es legtima, la probabilidad de que
caiga cruz es 0.10. Suponga que se asigna una probabilidad a priori de 0.80 de
que la moneda sea legtima y una de 0.20 de que no lo sea. Al suceso "moneda
legtima" se le designar A1; mientras que A2 corresponde al suceso "moneda
ilegtima". La moneda se lanza una vez y digamos que el resultado es cruz. Cul
es la probabilidad de que la moneda sea legtima?
La figura 3-3 muestra que la probabilidad condicional de una cruz es 0.50, si la
moneda es legtima; es decir, P(cruz\A1) = 0.50. Si la moneda no es legtima,
la probabilidad de que caiga cruz es 0.10; P(cruz\A2) = 0.10.
Calculemos la probabilidad conjunta P(cruz y A1). Existe una probabilidad
inicial de 0.80 de que A1 sea el estado verdadero; si A1 es el estado verdadero,
hay una probabilidad condicional de 0.50 de que caiga cruz. La probabilidad
conjunta de que el estado A1 sea verdadero y de que se obtenga cruz es (0.80 0.50)
= 0.40. As:
P(cruz y A1) = P(A1) P(cruz\A1) = 0.80 0.50 = 0.40

Captulo 3 Conceptos bsicos de probabilidad

63

Figura 3-3

La probabilidad conjunta de cruz y A2 es igual a:


P(cruz y A2) = P(A2) P(cruz\A2) = 0.20 0.10 = 0.02
La cruz puede ocurrir en combinacin con el estado "moneda legtima" o con
el estado "moneda ilegtima". La probabilidad de la primera combinacin es 0.40;
para la segunda en 0.02. La suma de las probabilidades equivale a la probabilidad
incondicional de que el primer lanzamiento resulte cruz; es decir, P(cruz) = 0.40
+ 0.02 = 0.42:

Si cae cruz y no se conoce el estado verdadero, la probabilidad condicional de


que el estado Ax sea el verdadero, con base en la ecuacin 3-3, es:

Entonces, 0.95 es la probabilidad modificada o a posterior! de-dj supuesto


que ha cado cruz en el primer lanzamiento. Anlogamente:

Utilizando smbolos ms generales:

64

Parte II Anlisis de decisiones

A la probabilidad condicional expresada en esta forma se le conoce como


teorema de Bayes. Este teorema tiene muchas aplicaciones importantes en la
evaluacin del valor de la informacin adicional (vase Cap. 4).
En este ejemplo, las probabilidades modificadas para la moneda son 0.95 de
que sea legtima y 0.05 de que no lo sea (las probabilidades iniciales eran 0.80 y
0.20). Estas probabilidades modificadas existen despus de un lanzamiento cuyo
resultado fue cruz. Es razonable que haya disminuido la probabilidad de que
la moneda sea ilegtima, ya que apareci una cruz en el primer lanzamiento y la
moneda ilegtima slo tiene 0.10 de probabilidad de que caiga cruz.

RESUMEN

Una probabilidad conjunta es la probabilidad de ocurrencia de dos sucesos o


ms. Una probabilidad condicional es la probabilidad de ocurrencia de un suceso
si ocurre otro. Una probabilidad marginal es la probabilidad incondicional de la
ocurrencia de un suceso.
Se puede modificar la probabilidad de ocurrencia de un suceso por medio de
la aplicacin del teorema de Bayes para producir una probabilidad modificada o
a posteriori.

Variables aleatorias
Una funcin de probabilidad es una regla que asigna probabilidades a cada
elemento de un conjunto de sucesos que pueden ocurrir. Si se puede asignar un
valor numrico especfico a cada elemento del conjunto de sucesos, a la funcin
que asigna estos valores numricos se le llama variable aleatoria. El valor de la
variable aleatoria es el resultado general de un experimento aleatorio (o de
probabilidad). Es conveniente establecer la diferencia entre la variable aleatoria
y los valores que puede asumir. El valor de una variable aleatoria se desconoce
hasta que ocurre el suceso (es decir, hasta que se lleva a cabo el experimento
aleatorio). Sin embargo, se conoce anticipadamente la probabilidad de que la
variable aleatoria sea un valor especfico. La probabilidad de cada valor de
una variable aleatoria es igual a la suma de las probabilidades de los sucesos
asignados a dicho valor de la variable aleatoria. En la tabla 3-6 se muestran
algunos ejemplos de variables aleatorias.
Tabla 3-6
Variable aleatoria
(representada con
una letra mayscula)

U
X
Y

Descripcin de los valores de


la variable aleatoria
Resultados posibles al lanzar un par de dados
Nmero posible de caras al lanzar cinco veces
una moneda
Ventas posibles de un peridico, donde S
representa el inventario.

Valores de
la variable
aleatoria
2, 3 , . . . , 12
0, 1 , 2 , 3 , 4 , 5
0, 1,2, . . . , S

Captulo 3 Conceptos bsicos de probabilidad

65

Por ejemplo, suponga que se define la variable aleatoria Z como el nmero de


caras en dos lanzamientos de una moneda legtima. Entonces, los valores posibles
de Z y las probabilidades correspondientes son:

Valores posibles Probabilidad de


de Z
cada valor
0
1
2

1/4
1/2
1/4

Las variables aleatorias se pueden agrupar en distribuciones de probabilidad.


La tabla anterior es un ejemplo de una distribucin discreta de probabilidad,
en la cual la variable Z slo puede tener valores especficos (0, 1 y 2 en este
ejemplo). Observe que la suma de las probabilidades en una distribucin debe ser
igual a uno.

Valor esperado de una variable aleatoria


El valor esperado o expectativa de una variable aleatoria es la suma de los
valores de la variable, ponderados por la probabilidad de que la variable aleatoria
asuma ese valor. Entonces, el valor esperado es la media o valor promedio
ponderado. Considere el ejemplo de la tabla 3-7.
En este caso la demanda media o esperada es de 28.10, lo que se escribe:
E(X) = 28.10
El valor esperado se calcula, como en la tabla 3-7, ponderando cada valor de la
variable por su probabilidad y luego sumando. La definicin matemtica simblica de la media es:

Xi es el isimo valor de la variable aleatoria; P(X) es la probabilidad del isimo


valor; yes el smbolo que representa la suma de todos los elementos desde
i = 1 hasta i = n. El smbolo se lee "sigma". En el ejemplo, n = 6, ya que hay
seis valores posibles para la variable aleatoria. Entonces:

66

Parte II Anlisis de decisiones

Tabla 3-7

Clculo del valor esperado


Valores de la variable

Probabilidad

Demanda ponderada

aleatoria X
(demanda de maana)

De X i
P(X i )

por la probabilidad,
X i P(X i )

X 1 = 25 unidades
X2 = 26 unidades
X 3 = 27 unidades
X4 = 28 unidades
X 5 = 29 unidades
X6 = 30 unidades

P(X1 )
P(X2)
P(X3)
P(X4)
P(X5)
P(X 6 )

=
=
=
=
=
=

0.05
0.10
0.15
0.30
0.20
0.20
1.00

1.25
2.60
4.05
8.40
5.80
6.00
E(X) = 28.10

Al sustituir los valores especficos:

Sumas de variables aleatorias


El valor esperado de la suma de variables aleatorias es la suma de los valores esperados de dichas variables. As, la media de la variable aleatoria (X + Y + Z) es:
E(X +Y+Z) = E(X) + E(Y) + E(Z)

(3-6)

Constante multiplicada por una variable aleatoria


El valor esperado de una constante multiplicada por una variable aleatoria es
igual a la constante multiplicada por el valor esperado de la variable:
E(cX) = cE(X)

(3-7)

Varianza y desviacin estndar de una variable aleatoria


Con frecuencia es necesario saber la forma en que los valores de la variable
aleatoria se dispersan con respecto a la media. La varianza y la desviacin estndar
son medidas de esta dispersin.

Captulo 3 Conceptos bsicos de probabilidad

67

La varianza se define como la suma de los cuadrados de las desviaciones de


los valores de la variable aleatoria con respecto a la media, ponderados por la
probabilidad de la desviacin. El enunciado matemtico es el siguiente:

E(X) es la media; X, el isimo valor de la variable aleatoria; y P(X) es su


probabilidad. Observe que al aumentar la dispersin de todas las X, de i = 1 hasta
i = n, es mayor el valor de [X - E(X)]2 y aumenta la varianza.
La varianza de una constante multiplicada por una variable aleatoria es igual
al cuadrado de la constante multiplicado por la varianza de la variable aleatoria.
Es decir:
Var(cX) = c2Var(X)

(3-9)

La varianza de la suma de variables aleatorias independientes es igual a la suma


de las varianzas. As:

Var(X +Y+Z) = Var(X) + Var(Y)


+ Var(Z)

(3-10)

si X, Y, Z son independientes

En la tabla 3-8 se calcula con la ecuacin 3-8 la varianza de la variable aleatoria,


demanda, del ejemplo anterior.
Si el valor de la variable aleatoria X es una constante, la media es el valor
constante. Entonces, [Xi - E(X)] sera cero para toda X y la varianza tambin sera
cero, lo que indica que no hay dispersin con respecto a la media.
La desviacin estndar es la raz cuadrada de la varianza; en el ejemplo, la
desviacin estndar es
alrededor de 1.41. Por lo general, se usa (sigma
minscula) para representar la desviacin estndar y para la varianza.
Ejemplo

Este ejemplo muestra cmo se obtiene informacin acerca de una variable


aleatoria con las reglas de probabilidad que se obtuvieron antes. Suponga que
tiene un producto que trata de vender a dos clientes. En el caso de Tiendas
Grandes, usted determina que hay 20% de probabilidad de vender 200 cajas, 40%
de vender 100 cajas y 40% de que no venda nada. Para Mercados Pequeos, usted
opina que las probabilidades son 40% para un pedido de 100 cajas y 60% de que
no haya pedido. Usted considera tambin que las ventas a ambos mercados son
dependientes. Si Tiendas Grandes compra 200 cajas, la probabilidad de que
Mercados Pequeos compre 100 cajas sera del 50% (y 50% de probabilidad de
no vender nada). Si Tiendas Grandes no compra nada, la probabilidad de que
Mercados Pequeos no compre nada sera del 50%.
Suponga que le interesa la variable aleatoria X, las ventas totales a ambos
clientes. Obtengamos la distribucin de probabilidad para esta variable aleatoria.
El primer paso es elaborar la figura 3-4, la tabla de probabilidades conjuntas, e
incluir la informacin que tenemos.

68

Parte II Anlisis de decisiones

Tabla 3-8

Clculo de la varianza

Observe que en el margen inferior de la figura 3-4 se muestran las probabilidades globales de vender 200, 100 y 0 cajas a Tiendas Grandes. As mismo,
en la columna de la derecha se presentan las probabilidades marginales de ventas
a Mercados Pequeos. Sabemos adems que P(ventas Mercados Pequeos =
100|ventas Tiendas Grandes = 200) = 0.5; esta probabilidad condicional se incluye
en la esquina superior del cuadro de la parte superior izquierda. Sabemos tambin
que P(ventas Mercados Pequeos = 0|ventas Tiendas Grandes = 0) = 0.5, lo que
se muestra en la esquina superior del cuadro de la parte inferior derecha de la
figura 3-4.
Utilizando:
P(AB)= P(A\B)P(B)
se puede calcular la probabilidad conjunta:
P(Mercados = 100 y Tiendas = 200) = PMercados = 100|Tiendas = 200) P
(Tiendas = 200) = (0.5)(0.2) = 0.1
Anlogamente:
P(Mercados = 0 y Tiendas = 0) = P(Mercados = 0|Tiendas = 0) P(Tiendas = 0)
= (0.5)(0.4) = 0.2
Estas probabilidades conjuntas se muestran en los cuadros respectivos de la
figura 3-4.
Ahora se puede llenar el resto de la figura 3-4, a partir del hecho de que el total
de las probabilidades conjuntas de cualquier fila o columna debe ser igual a las
probabilidades marginales. En la figura 3-5 se presenta la tabla completa.

Captulo 3 Conceptos bsicos de probabilidad

69

Figura 3-4

Figura 3-5

Las esquinas de la parte inferior derecha de los cuadros de la figura 3-5


contienen los valores de la variable aleatoria X, ventas totales, que es igual a la
suma de las ventas a Tiendas Grandes y a Mercados Pequeos. La distribucin de
probabilidad de X se indica en las columnas 1 y 2 de la tabla 3-9.

El clculo del valor esperado de esta distribucin se muestra en la columna 3


de la tabla 3-9; es decir, E(X) = 120 cajas. Tambin se podra determinar el valor
esperado de las ventas totales si se hubiera aplicado la ecuacin 3-6 para las sumas
de las variables aleatorias. Si la variable aleatoria B representa las ventas a Tiendas
Grandes y L corresponde a las ventas a Mercados Pequeos, entonces E(B) =
(0.2)(200) + (0.4)(100) + (0.4)(0) = 80 y E(L) = (0.4)(100) + (0.6)(0) = 40.
Observe que X = B + L. Usando la ecuacin 3-6:
E(X) = E(B) + E(L) = 80 + 40 = 120

70

Parte II Anlisis de decisiones

Tabla 3-9

Distribucin de probabilidad para las ventas totales

Si lo nico que nos interesara fuera el nivel de las ventas totales esperadas, ste
se podra obtener fcilmente de las ventas esperadas para cada cliente. Sin
embargo, la obtencin de las figuras 3-4 y 3-5 fue necesaria para obtener toda la
distribucin de probabilidad.
En la tabla 3-9 tambin se calcula la varianza de las ventas totales; vanse las
columnas (4) y (5).

RESUMEN

Una variable aleatoria asigna un valor numrico a resultados diversos de un


proceso aleatorio. Las probabilidades de las variables aleatorias se pueden presentar en una distribucin de probabilidad. El valor esperado es el promedio
ponderado de los valores de una variable aleatoria, en el cual los pesos son las
probabilidades de ocurrencia. La varianza y la desviacin estndar son medidas
de la dispersin de una variable aleatoria.
El valor esperado de la suma de variables aleatorias es igual a la suma de los
valores esperados de cada una. La varianza de la suma de variables aleatorias
independientes es igual a la suma de las varianzas.

Proceso de Bernoulli y distribucin binomial


Se puede describir un proceso de Bernoulli de la siguiente manera:
1. Los resultados de cada ensayo del proceso se caracterizan por corresponder a
uno de dos tipos de resultados posibles, como son:
a. xito, fracaso.
b. S, no.
c. Cara, cruz.
d. Cero, uno.
2. La probabilidad del resultado en cualquier ensayo es "estable" y no vara
durante el proceso. Por ejemplo, la probabilidad de que caiga cara, con una

Captulo 3 Conceptos bsicos de probabilidad

71

moneda legtima, es de 0.50 y no cambia, no importa cuntas veces se lance


la moneda.
3. El resultado de cualquier ensayo es independiente del resultado de los ensayos
anteriores. En otras palabras, la historia anterior del proceso no cambia la
probabilidad asignada al siguiente ensayo. En el ejemplo de la moneda se
asignara una probabilidad de 0.50 a que el resultado del siguiente lanzamiento
fuera cara, incluso si se hubiera registrado cara en los ltimos 10 ensayos (se
supone que la moneda es legtima).
4. El nmero de ensayos es discreto y se puede representar con un nmero entero
como 1, 2, 3, etctera.
Dado un proceso, se puede saber que es de Bernoulli, pero puede haber
incertidumbre acerca de la probabilidad estable, caracterstica del proceso. En el
caso de una moneda legtima, podramos saber que el proceso es de Bernoulli,
con probabilidad de xito de 0.50 (por ejemplo, cara) y 0.50 de probabilidad de
fracaso (digamos, cruz). Sin embargo, si se nos entrega una moneda y se nos
informa que no es legtima, el proceso (lanzar la moneda) podra ser de tipo
Bernoulli, aunque no se conoce la caracterstica de probabilidad. Por lo tanto, se
puede tener un proceso de Bernoulli con caracterstica de probabilidad conocida
o desconocida.
Para fines de anlisis, se pueden caracterizar muchos procesos empresariales
como de Bernoulli, aun cuando no sean realmente de Bernoulli en todos los
aspectos. Si el "ajuste" es bastante aproximado, se puede suponer que el proceso
de Bernoulli es una caracterizacin razonable. Veamos algunos ejemplos.
Ejemplo 1

Ejemplo 2

Suponga que nos interesa un proceso de produccin en el cual se produce


determinada parte (o producto) en una mquina. El punto focal del inters puede
ser clasificar las partes como "buenas" o "defectuosas"; en este caso el proceso
puede ser de Bernoulli. Si la mquina no se desgasta con rapidez, es decir, si la
situacin permanece igual para un gran nmero de partes, la probabilidad de
producir partes buenas puede ser lo suficientemente estable para que el proceso
se pueda considerar de Bernoulli. Si, por otra parte, ocurren ms defectos al final
de la sesin, el proceso no es de Bernoulli. En varios de los procesos de este tipo,
la produccin de partes buenas y defectuosas tiene la estabilidad suficiente (no se
observa ningn patrn con respecto al tiempo) para considerarla como un proceso
de Bernoulli. La probabilidad de partes buenas y defectuosas puede ser estable en
una sesin de produccin, pero puede variar de una sesin a otra (por ejemplo,
debido a la configuracin de la mquina). En este caso se puede considerar como
un proceso de Bernoulli, pero la probabilidad de xito (o fracaso) cambiar de
una sesin a otra.
Un ejemplo distinto de un proceso de Bernoulli es una encuesta para determinar
si los consumidores prefieren jabn lquido o en polvo. El resultado de una
encuesta podra caracterizarse como respuesta "s" (xito) o "no" (fracaso) a la
pregunta. Si la muestra de los consumidores tuviera la aleatoriedad suficiente (no
existe ningn patrn con respecto a la manera en que ocurren las respuestas

72

Parte II Anlisis de decisiones

afirmativas y negativas), se podra describir al proceso como de tipo Bernoulli


(con probabilidad desconocida).
Observe que si la probabilidad de xito en un proceso de Bernoulli es de 0.50,
la probabilidad de fracaso tambin ser de 0.50 (ya que las probabilidades de que
ocurra el suceso y de que no ocurra suman uno). Si la probabilidad de xito es p,
la probabilidad de fracaso es (1 - p).

Distribucin de probabilidad binomial


Para responder las preguntas sobre probabilidades relacionadas con un proceso de
Bernoulli, hay que saber cul es el parmetro de probabilidad del proceso, como
0.50 en el ejemplo de la moneda legtima. Tambin hay que conocer el nmero
de ensayos que se usarn. Entonces, para analizar un proceso de Bernoulli, hay
que saber (1) la caracterstica de probabilidad del proceso,/?, y (2) el nmero de
ensayos, n.
Los smbolos y las relaciones que se presentan en la tabla 3-10 son de utilidad.

Relacin o smbolo

Interpretacin
Probabilidad de que un nmero desconocido de xitos, R (la variable
aleatoria) sea igual que un nmero especfico, r (digamos 10), dado un
nmero de ensayos especfico, n (por ejemplo, 20) y una probabilidad
especfica, p, de xito en cada ensayo.
Probabilidad de que el nmero de xitos sea mayor o igual que un nmero
especfico, r, dados valores para p y n. A esto se le conoce como
probabilidad acumulada. La tabla C (en el apndice al final del libro)
contiene los valores de las probabilidades acumuladas.
Probabilidad de que el nmero de xitos sea mayor que un nmero
especfico. Esta desigualdad es exclusiva; es decir:
P(R > 10)
excluye a 10 e incluye a los nmeros 11 y mayores. Probabilidad de que
el nmero de xitos sea menor o igual que un nmero
especfico (por ejemplo, 10). Probabilidad de que el nmero de
xitos sea menor que un nmero
especfico. La probabilidad de que ocurran exactamente 10 xitos puede
obtenerse del
apndice C restando dos probabilidades acumuladas. Si se resta
P(R> 11)
a P(R 10), el resultado es la probabilidad de que ocurran precisamente 10.
Como las probabilidades suman 1, si se resta a 1 la probabilidad de obtener 10
xitos o ms, el resultado es la probabilidad de que ocurran menos de 10
xitos.

Captulo 3 Conceptos bsicos de probabilidad

73

Tabla 3-10 (continuacin)


Relacin o smbolo

Interpretacin
Puesto que menor o igual que 10 incluye a 10, reste a 1 la probabilidad
de 11 xitos o ms.
Para leer una desigualdad estricta de la tabla C del apndice, sume 1 al
nmero deseado. La relacin
P(R > 10)
excluye a 10, por lo que esta probabilidad es igual a P(R > 11), que incluye
a 11 pero excluye a 10.

Funcin de probabilidad binomial


Si se cumplen las hiptesis del proceso de Bernoulli, y la probabilidad de xito en un
ensayo es p, entonces la distribucin de probabilidad de un nmero de xitos, R,
en n ensayos, es una distribucin binomial. La funcin de distribucin de
probabilidad binomial es:

donde n! (llamado factorial de n) equivale a n(n - 1) (n - 2)...(2)(1) y 0! se define


como igual a 1.
Los clculos de la ecuacin 3-11 pueden ser tediosos si el nmero de ensayos
es grande. Por esta razn se presentan las tablas de la distribucin binomial
acumulada al final del libro, en el apndice C. La tabla 3-10 muestra una gama
de definiciones de probabilidad e indica cmo utilizar la tabla C del apndice.
Ejemplo 1

Suponga que una moneda legtima se lanzar tres vez y que se desea calcular las
siguientes probabilidades:
a. La probabilidad de tres caras en tres lanzamientos.
b. La probabilidad de dos o ms caras en tres lanzamientos.
c. La probabilidad de menos de dos caras en tres lanzamientos.
En este ejemplo, la p del proceso de Bernoulli es 0.50 y se considera un xito
cuando caiga cara. El nmero de ensayos (n) es tres.
La primera probabilidad es de obtener tres caras (xitos) en tres lanzamientos
(tres ensayos), con probabilidad de 0.50 de que caiga cara en cualquier lanzamiento. La probabilidad deseada se puede representar de la siguiente manera:
P(R =3\p = 0.50, n = 3) = ?
donde P = probabilidad, R = nmero de xitos, n = nmero de ensayos y p =
probabilidad de xito en un ensayo. El lado izquierdo de la ecuacin debe leerse

74

Parte II Anlisis de decisiones

"la probabilidad de tres xitos, si la probabilidad del proceso es 0.50 y hay tres
ensayos".
Antes de responder las preguntas acerca de las probabilidades, presentemos
todos los resultados posibles de los tres ensayos y calculemos las probabilidades
(vase Tabla 3-11; H = cara, T= cruz).
Probabilidades

Interpretacin
La probabilidad de tres caras en tres ensayos es un
octavo. sta es la probabilidad de HHH; vase
Tabla 3-11.
La probabilidad de dos caras o ms es de cuatro
octavos. sta es la probabilidad de dos caras ms
la probabilidad de tres y se calcula sumando las
probabilidades de las siguientes combinaciones:
HHH, HHT, HTH, THH.
La probabilidad de que ocurran menos de dos caras
es la probabilidad de cero o una cara y se calcula
sumando las probabilidades de las siguientes
combinaciones: TTH, THT, HTT, TTT.

Las probabilidades tambin pueden calcularse con la ecuacin 3-11, como se


presenta en el siguiente ejemplo correspondiente al problema a.

Tabla 3-11
Resultados
posibles

Probabilidad
de cada
resultado

Por ltimo, las probabilidades tambin se pueden obtener de la tabla C del


apndice.

Captulo 3 Conceptos bsicos de probabilidad

75

Clculos

Explicacin
Consulte la tabla C del apndice bajo n = 3,p = 0.50;
busque en la columna
y luego reste a esto:

(es imposible que ocurran cuatro xitos en tres


ensayos). La respuesta es 0.1250, o un octavo. En
la tabla C busque bajo n = 3,p = 0.50 y lea el
valor para R > 2; la respuesta es 0.50. Si deseara
obtener P(R = 2), se calculara de la siguiente
manera:
Menos:
Esta probabilidad es igual a

Ejemplo 2

Se tomar una muestra de un lote de bienes de manufactura para revisar su


calidad.2 Suponga que se considera que el 10% de los elementos del lote son
defectuosos y que se toma una muestra de 20 elementos del lote. Cules son las
siguientes probabilidades?
1. Probabilidad de que no existan defectuosos en la muestra.
2. Probabilidad de ms de un defectuoso en la muestra.
3. Probabilidad de menos de dos defectuosos en la muestra.
La respuesta se puede obtener como sigue. Sea p = 0.10 y n = 20. Entonces:
a. P(R = 0\p = 0.10, n = 20) = P( R 0) - P( R 1)
= 1.0-0.8784 = 0.1216
La probabilidad de que existan cero defectuosos o ms es 1.0 y P(R 1) se lee
directamente de la tabla C.

De manera estricta, el lote es de tamao finito, los elementos de la muestra no son independientes y por
consiguiente las hiptesis de Bernoulli no se satisfacen exactamente; en este caso debera emplearse otro tipo de
distribucin, la distribucin hipergeomtrica. Sin embargo, si el tamao del lote es grande con respecto a la
muestra, es pequeo el error que introduce la aplicacin de la hiptesis de Bernoulli.

76

Parte II Anlisis de decisiones

b. P(R > 1) = P(R 2) = 0.6083, de la tabla C.


c. P(R < 2) = 1.0 - P(R 2) = 1.0 - 0.6083 = 0.3917
RESUMEN

Un proceso de Bernoulli supone un nmero especfico de ensayos, cada uno de


los cuales tiene dos resultados posibles; la probabilidad de cada resultado no
cambia y los ensayos son independientes.
La distribucin de probabilidad binomial da las probabilidades de cada nmero
posible de sucesos en cierta cantidad de ensayos de un proceso de Bernoulli. Las
probabilidades binomiales se pueden determinar con la tabla C del apndice.

Bibliografa
Blake, I. R, An Introduction to Applied Probability,
Nueva York, John Wiley & Sons, 1979
Ewart, P. J., J. S. Ford y C. Y. Lin, Probability for
Statistical Decision Making, Englewood Cliffs,
N. J., Prentice Hall, 1974.
Feller, W., An Introduction to Probability Theory
and Its Applications, vol. 1, tercera edicin,
Nueva York, John Wiley & Sons, 1968.
Hodges, J. L., Jr., y E. L. Lehmann, Elements ofFinite Probability, segunda edicin, San Francisco, Holden-Day, 1970.
Kemeny, J. G., A. Schleifer, Jr., J. L. Snell y G. L.
Thompson, Finite Mathematics with Business

Applications, segunda edicin, Englewood


Cliffs, Prentice Hall, 1972.
Mosteller, F., R. E. K. Rourke y G. B. Thomas, Jr.,
Probability with Statistical Applications, segunda edicin, Reading, Mass., Addison-Wesley Publishing, 1970.
Ross, S., A First Course in Probability, Nueva
York, Macmillan, 1976.
Samson, D. Managerial Decision Analysis, Homewood, 111., Richard D. Irwin, 1988.
Spurr, W. A. y C. P. Bonini, Statistical Analysis for
Business Decisions, edicin revisada, Homewood, 111., Richard D. Irwin, 1973.

Problemas con respuestas


3-1. Calcule las siguientes probabilidades que se
relacionan con tres lanzamientos de una moneda legtima:
a.P (tres caras).
b.P (dos o ms caras en tres lanzamientos).
c.P (una cruz o ms en tres lanzamientos).
d.P (ltimo lanzamiento igual a cara).
3-2. Hay tres urnas:

Saque una bola de la nmero 1; si es roja, pase


a la nmero 2; si es negra, vaya a la nmero 3.

a. Cul es P (roja en la segunda extraccin,


si es roja en la primera)?
b. Cul es P (negra en la segunda extraccin, si es roja en la primera)?
c. Cul es P (roja en la segunda extraccin,
si es negra en la primera)?
d. Cul es P (negra en la segunda extraccin, si es negra en la primera)?
e. Cul es P (negra en la segunda extraccin)?
f. Responda las preguntas (a)-(e) si la urna
nmero 3 fuera la siguiente:

Captulo 3 Conceptos bsicos de probabilidad


3-3. Suponga que tiene una moneda con probabilidad de 0.60 de que caiga cruz y 0.40 de que
caiga cara.
Determine lo siguiente:
a. En dos lanzamientos, la probabilidad de:
(1) Dos caras.
(2) Dos cruces.
(3) Una cara.
(4) Una o ms caras.
(5) Una o ms cruces.
(6) Una cruz o menos.
b. En tres lanzamientos, la probabilidad de:
(1) Tres caras.
(2) Dos caras.
(3) Una cara.
(4) Una cara o ms.
3-4. Se clasifican 35 directores ejecutivos por
edad y puesto funcional anterior, como se indica en la siguiente tabla:

Suponga que se selecciona al azar un ejecutivo de este grupo.


a. Cul es la probabilidad de que el ejecutivo tenga menos de 55 aos? Qu tipo de
probabilidad es (marginal, condicional,
conjunta)?
b. Cul es la probabilidad de que el ejecutivo que se escoge al azar tenga ms de 55
aos y su puesto funcional anterior haya
sido en mercadotecnia? Qu tipo de pro
babilidad es?
c. Suponga que se selecciona un ejecutivo
y se le informa a usted que su puesto
anterior fue en finanzas. Cul es la pro
babilidad de que el ejecutivo tenga
menos de 55 aos? Qu tipo de probabilidad es?

77

d. Son factores independientes la edad y


el puesto funcional anterior en este grupo
de ejecutivos?
3-5. A los valores posibles de la proporcin de defectuosos de un proceso de manufactura se le
asignan las probabilidades siguientes. Calcule
el valor esperado, la varianza y la desviacin
estndar de la variable aleatoria, la
proporcin de defectuosos.

3-6. Use las tablas binomiales para obtener las siguientes probabilidades:
a. P(R = 4|0.50,10)
b. P{R > 4|0.50,10)
c. P(R > 4|0.40, 8)
d. P(R < 4|0.20,10)
e. P(R = 0|0.30,10)
f. P(R > 5|0.60,10)
Para (f), consulte la nota al pie de la primera
pgina de la tabla C del apndice.
3-7. Suponga que la probabilidad de que un ven
dedor efecte una venta en una casa seleccionada al azar es de 0.1. Si el vendedor realiza
20 visitas al da, determine lo siguiente:
a. La probabilidad de que no venda nada.
b. La probabilidad de una venta.
c. La probabilidad de cuatro ventas o ms.
d. La probabilidad de ms de cuatro ventas.
e. La probabilidad de cuatro ventas.
3-8. Remtase al ejemplo del captulo que se relaciona con la figura 3-3. Suponga que el primer lanzamiento resulta cara. Calcule las
probabilidades modificadas (a posteriori) para
la moneda legtima y la ilegtima.

78

Parte II Anlisis de decisiones

Problemas
3-9. Cul de las siguiente distribuciones de frecuencia seran "objetivas" y cules seran
"subjetivas"?
a. Nmero de caras en 100 000 lanzamientos
de una moneda.
b. Nmero de caras en los prximos 100 000
lanzamientos de una moneda que no ha si
do probada.
c. Nmero de aos "prsperos" en la prxima dcada.
d. Los beneficios de Ford Motor Company
en los prximos cinco aos (aos "renta
bles" y aos de "prdidas").
e. La probabilidad de extraer al azar el nombre de un varn del directorio de estudian
tes de Cornell University.
3-10. Discuta los siguientes enunciados:
a. "Hay una probabilidad de 1.5 de que el siguiente presidente sea _________."
b. "La probabilidad de que el sol no salga
maana es de - 1.0."
c. "Hay 0.40 de probabilidad de que apruebe
el examen y 0.70 de que lo suspenda."
3-11. Analice si los siguientes sucesos son dependientes o independientes.
a. (1) Que los Gigantes de San Francisco ganen la Serie Mundial de bisbol.
(2) Que los Gigantes de San Francisco ganen el ttulo de la Liga Nacional de
bisbol.
b. (1) Los ahorros que se obtienen al usar
una mquina en el ao 2.
(2) Los ahorros derivados de usar la misma
mquina en el ao 1.
c. (1) La venta exitosa de un automvil de alto precio despus de
(2) La venta exitosa de una lnea de ropa
de bajo costo.
3-12. Considere dos urnas:

Bolas rojas
Bolas negras

Urna 1

Urna 2

7
3

4
6

P(R1) = P de una bola roja en


la primera extraccin.
P(R2) = P de una bola roja en
la segunda extraccin.
P(N1) = P de una bola negra en
la primera extraccin.
P(N2) = P de una bola negra en
la segunda extraccin.
a. Tome una bola de la urna 1, vuelva a colocarla y tome una segunda bola. Cul es la
probabilidad de:
(1) Extraer dos bolas rojas.
(2) Una bola roja en la segunda extraccin
si extrajo una roja en el primero.
(3) Una roja en el segunda extraccin si
sac una negra en el primero.
b. Saque una bola de la urna 1 y colquela
de nuevo. Tome una bola de la urna 2 si la
primera bola fue negra; de lo contrario, saque una bola de la urna 1. Cul es la probabilidad de:
(1) Sacar dos bolas rojas.
(2) Una bola roja en el segundo ensayo si
sac una roja en el primero.
(3) Una roja en el segundo ensayo si extrajo una negra en el primero.
3-13. Elabore un diagrama de rbol para el problema 3-12a.
3-14. Elabore un diagrama de rbol para el problema 3-l2b.
3-15. Prepare una tabla de probabilidades conjuntas
para el problema 3-12a.
3-16. Prepare una tabla de probabilidades conjuntas
para el problema 3-12b.
3-17. a. Cul es la probabilidad de obtener ocho
caras en ocho lanzamientos de una moneda
legtima?
b. Suponga que una moneda legtima se lanza siete veces y cae siempre cara. Cul es
la probabilidad de que el octavo lanzamiento sea cara? Explique su respuesta.
3-18. Suponga que hay una caja que contiene seis
bolas rojas y cuatro negras. Se extraen dos
bolas, una por una, sin reemplazar la primera
bola. Haga lo siguiente para este experimento:

Captulo 3 Conceptos bsicos de probabilidad


a. Elabore un diagrama de rbol que muestre
el proceso.
b. Prepare una tabla de probabilidades con
juntas.
c. Calcule las siguiente probabilidades:

3-19. Suponga que hay dos urnas:


Existe la misma probabilidad de escoger
cualquiera de las urnas. Usted toma una urna,

saca una bola y ve que es roja. Usted quiere


saber cul es la urna que tiene. No puede mirar
dentro de la urna.
a. Cul es la probabilidad de que haya
extrado una bola de la urna 1? y, de la urna 2?
b. Si la bola fuera negra, cul es la probabilidad de que provenga de la urna 1 ?
3-20. Se llev a cabo un estudio entre los lectores de
una revista. Los resultados indicaron que el
60% de los lectores eran dueos de sus casas y
tenan ingresos superiores a 25 000 dlares por
ao; el 20% eran dueos de sus casas pero sus
ingresos eran menores de 25 000 dlares; el
10% tenan ingresos mayores de 25 000 dlares pero no eran dueos de sus casas; y el
10% restante no eran dueos de sus casas ni
tenan ingresos mayores de 20 000 dlares.
a. Suponga que se selecciona al azar un lector de esta revista y a usted se le informa
que la persona es duea de su casa. Cul

79

es la probabilidad de que la persona tenga


ingresos superiores a 25 000 dlares?
b. Son factores independientes la propiedad
de la casa y los ingresos (medidos slo como mayores o menores que 25 000 dlares) para este grupo?
3-21. Se realiz una encuesta de familias en una zona urbana y en el rea suburbana circundante.
Las familias se clasificaron de acuerdo con
sus hbitos de ver o no dos programas de televisin. Los datos se muestran al final de la pgina como porcentajes con respecto al total.
a. Si se selecciona al azar una familia de este
grupo, cul es la probabilidad de que vea
ambos programas?
b. Si la familia seleccionada ve el programa
A, cul es la probabilidad de que tambin vea el programa B?
c. Son independientes los sucesos "ve el
programa A" y "ve el programa B"?
d. El suceso "ve el programa B", es independiente del suceso "urbano"?
e. Considere el suceso "ve cualquiera de los
programas o ambos". Es independiente
del suceso "urbano"?
3-22. Un director de ventas elabora la siguiente lista de probabilidades de distintos niveles de
ventas de un producto nuevo:

80

Parte II Anlisis de decisiones

Calcule la media, la varianza y la desviacin


estndar para la variable aleatoria "ventas"
(Recomendacin: Para que los clculos sean
ms sencillos, considere los bloques de 50 como una unidad. As, 200 equivale a cuatro,
250 es cinco, etctera).
3-23. Un gerente elabora el plan de su divisin para
el ao prximo. Los beneficios (5) se consideran como una funcin lineal de las ventas
(X) y los costos fijos (Y), como sigue:
B - $20X - Y
Suponga que el gerente no est seguro de
las ventas ni de los costos fijos, pero est dispuesto a representarlos como variables aleatorias independientes cuyos valores esperados y
desviaciones estndar sean:

Cul es el valor esperado y la desviacin


estndar de la variable aleatoria B?
3-24. Remtase al ejemplo que se relaciona con las
figuras 3-4 y 3-5, de este captulo. Suponga
que las probabilidades marginales de Tiendas
Grandes y Mercados Pequeos son las que se
presentan en la figura 3-4, pero que las ventas
a ambos clientes son independientes. Determine la distribucin de probabilidades de la
variable aleatoria "ventas totales".
3-25. Especifique cules de los siguientes procesos
son de Bernoulli:
a. Un vendedor que hace visitas a domicilio.
b. Colocar monedas en una mquina tragamonedas que slo tiene dos resultados:
premio o nada.
c. La compra de acciones en el mercado burstil.
d. La inspeccin de rollos de alambre duran
te su manufactura para encontrar defectos.
e. La inspeccin de moldes al salir de la lnea de produccin.
Proporcione una explicacin breve para
cada una de sus respuestas.
3-26. Use la tabla de la distribucin binomial y encuentre las siguientes probabilidades:
a. P(R = 6|0.28, 12)
b. P(R 2|0.45, 8)
c. P(R 5|0.65, 15)
d. P(R 10|0.85, 20)

e. P(R 4|0.25, 14)


f. P(R 10|0.75, 18)
Para las partes (c), (d) y (f), vase la nota
al pie de la primera pgina de la tabla C del
apndice.
3-27. Una lnea area tiene en operaciones un
avin de 14 plazas y permite que se acepten
hasta 16 reservas confirmadas para un vuelo.
Los datos histricos indican que hay 30% de
probabilidad de que cada pasajero no se presente. Cul es la probabilidad de que se impida el acceso a una o ms personas si se
confirman 16 reservas para el vuelo?
3-28. Bruce Jones ha solicitado el ingreso a cinco
escuelas que en enero indican al solicitante una
de tres clasificaciones: "seguro", "posible" y
"poco posible". Bruce ha recibido la notificacin de que es "posible" en las cinco escuelas.
Los resultados anteriores indican las siguiente
probabilidades para cada escuela:
Seguro: 0.98 de probabilidad de aceptacin
Posible: 0.30 de probabilidad de aceptacin
Poco posible: 0.005 de probabilidad de
aceptacin
a. Cul es la probabilidad de que Bruce sea
aceptado por una escuela o ms?
(Suponga independencia.)
b. Cul es la probabilidad de que las cinco
escuelas acepten a Bruce?
3-29. Un contador va a efectuar la auditora de
24 cuentas de una empresa. Diecisis de estas
cuentas corresponden a clientes de alto volumen. Si el contador selecciona al azar cuatro
cuentas, cul es la probabilidad de que por
lo menos una sea de alto volumen?
Recomendacin: Encuentre primero la probabilidad de que ninguna de las cuentas sea
de alto volumen.
3-30. Dos equipos de bisbol se han enfrentado 10
veces y el equipo rojo ha ganado en seis encuentros. Se considera que los resultados anteriores son indicativos de los resultados
futuros. Ahora los dos equipos se enfrentarn
en un torneo de eliminacin. Suponga que el
resultado de cada uno de los juegos es independiente de los dems.
a. Si los equipos se enfrentan en un juego,
cul es la probabilidad de que gane el
equipo rojo?

Captulo 3 Conceptos bsicos de probabilidad


b. Si los equipos juegan en una serie para ganar dos de tres partidos, cul es la probabilidad de que gane el equipo rojo?
c. Si los equipos juegan para ganar cuatro de
siete encuentros, cul es la probabilidad
de que gane el equipo rojo?
3-31. El presidente de un compaa de energa elctrica tiene que decidir si compra un generador
grande o cuatro pequeos para obtener cierta
capacidad de generacin de energa elctrica.
Durante el verano, la probabilidad de que un
generador est en servicio en un da
cualquiera es de 0.95 (todos los generadores
tienen la misma fiabilidad) La probabilidad de
una avera es de 0.05.
a. Cul es la probabilidad de que el genera
dor grande est fuera de servicio en un da
cualquiera?
b. Cul es la probabilidad de que ninguno o
uno de los generadores pequeos est fue
ra de servicio?
c. Si se compran cinco generadores pequeos, cul es la probabilidad de que funcionen por los menos cuatro?
d. Si se compran seis generadores pequeos,
cul es la probabilidad de que por lo menos cuatro funcionen?
3-32. Suponga que lanza una moneda hasta obtener
cuatro caras. Cul es la probabilidad de que
esto ocurra en exactamente siete lanzamientos?
Recomendacin: El sptimo lanzamiento
tiene que dar cara, por lo que tres de los primeros seis lanzamientos debern ser cara para
que se cumpla la condicin.
3-33. Usted est a cargo del departamento de planificacin a largo plazo de una compaa britnica de construccin. Existe la posibilidad de
realizar dos proyectos de gran magnitud en el
periodo que se considera: un tnel bajo el
Canal de la Mancha, hasta Francia, y una base
de misiles en Inglaterra para la Fuerza Area
de Estados Unidos. Los dos proyectos
requerirn, hasta cierto punto, distinto equipo
y diversas habilidades de ingeniera. La
compaa que haya adquirido parte de estos
factores especializados tendr ventaja en la
negociacin del contrato. Su empresa no tiene
los recursos necesarios para hacerse cargo

81

de ambos proyectos, por lo cual el presidente


le ha dado instrucciones de elegir uno de
ellos. Despus de consultar con varios miembros del Parlamento, usted llega a la conclusin de que la circunstancia decisiva que
afecta el proyecto del tnel es la respuesta
que tendr la solicitud que Inglaterra hizo
con el fin de obtener concesiones comerciales
con el Mercado Comn. Los expertos opinan
que si Inglaterra obtiene las concesiones, la
probabilidad de construir el tnel es de 0.8.
Si Inglaterra no obtiene las concesiones, los
expertos opinan que la probabilidad se
reducira a 0.1. Usted piensa que la probabilidad de que Inglaterra obtenga las concesiones es de 0.3 para el periodo en cuestin.
Despus usted viaja a Washington para
efectuar un anlisis similar de las probabilidades de la base de misiles y se sorprende al
averiguar que los planificadores militares
estadounidenses estn preocupados por las
noticias con respecto al tnel. Si el tnel se
construye, slo hay una posibilidad en 10
de que la Fuerza Area autorice el sistema
de misiles; la probabilidad sera de 0.50 si
no se construyera. Si usted acepta las
evaluaciones subjetivas de las probabilidades que le brindan sus informantes,
qu accin propondra para que su empresa maximice la probabilidad de xito? 3-34.
Los artculos de los diarios muchas veces sealan que un pequeo nmero de conductores
(digamos, un 10%) es responsable de todos
los accidentes de automviles en cada ao.
Con frecuencia se llega a la conclusin de
que si se identificaran estos conductores
propensos a los accidentes y se les retirara de
las carreteras, el nmero de accidentes se podra reducir considerablemente. Usted averigua que de 100 000 conductores que tuvieron
accidentes en un ao, 11 000 tuvieron por lo
menos un accidente en el ao siguiente.
a. Con base en esta informacin, complete
la siguiente tabla de probabilidades con
juntas.
b. Opina usted que la bsqueda de conductores propensos a tener accidentes es una
manera efectiva de reducir los accidentes
de automviles? Por qu?

82

Parte II Anlisis de decisiones

Problemas ms difciles
3-35. El comisionado de seguridad de una ciudad realiz un estudio de las muertes de peatones en
cruces de carreteras. Observ que slo seis de
las 19 muertes correspondan a peatones que
cruzaban con la luz roja (es decir, desobedeciendo el reglamento), mientras que las otras
13 personas haban cruzado con la luz verde.
Esta situacin extra al comisionado, ya que
las cifras parecan indicar que era dos veces
ms seguro para el peatn cruzar con la luz roja que con la verde. Puede usted explicar al
comisionado esta contradiccin aparente?
3-36. Suponga que existe una nueva prueba para
detectar la adiccin a las drogas. La prueba
tiene precisin del 95%, en ambos sentidos;
es decir, si la persona es adicta, hay 95% de
posibilidad de que la prueba indique "s"; si la
persona no es adicta, la prueba indicar "no"
en el 95% de las veces. Se sabe que en
poblaciones urbanas la incidencia de adiccin
a las drogas es aproximadamente de una
persona en 10 000. Si la prueba genera un resultado positivo (s), cul es la probabilidad
de que sea adicta la persona a la que se aplic
la prueba/
3-37. Se lanza un satlite para recopilar datos sobre
las condiciones atmosfricas de un planeta lejano. El satlite contiene dos celdas de energa, cada una de las cuales tiene 90% de
probabilidad de funcionar correctamente. Las

celdas estn ubicadas en lugares distintos del


satlite, por lo cual es casi imposible que la
avera de una celda est relacionada con la otra
(es decir, son independientes). El satlite
contiene tambin dos instrumentos de
medicin: el principal y el de respaldo. Los
dos estn juntos, por lo que no se considera
que sea independiente la fiabilidad de los
instrumentos. Las probabilidades de xito y
fracaso son:

El instrumento principal slo requiere una


celda de energa para operar, pero el de respaldo necesita las dos celdas. La misin del
satlite ser un xito si funciona cualquiera de
los instrumentos. Cul es la probabilidad de
xito de la misin?
3-38. El siguiente es un problema de probabilidad
clsico. Pruebe su intuicin antes de resolverlo
en forma sistemtica.

Captulo 3 Conceptos bsicos de probabilidad

cas para la demanda, como se presenta a continuacin:

Suponga que hay tres cajas y que cada una


tiene dos cajones. En cada uno de los cajones
hay una moneda de oro o de plata. Una caja
tiene dos monedas de oro, otra tiene una de
oro y una de plata, y la tercera tiene dos de
plata. Se escoge al azar una de las cajas y al
abrir uno de los cajones se observa una moneda de oro.

Cul es la probabilidad de abrir el segundo


cajn de la caja y observar una moneda de
oro?
3-39. Suponga que puede elegir entre dos apuestas
diferentes. En una sabe que hay 50 bolas rojas
y 50 negras en un frasco, que se sacar totalmente al azar una de las bolas y recibir un
premio si adivina el color de la bola. En la segunda apuesta hay un nmero desconocido de
bolas rojas y negras en un frasco y recibir un
premio si adivina el color de la bola que se
saque.
En cul apuesta preferira participar? Por
qu?
3-40. Un restaurante tiene capacidad para 100 personas. Hace poco, el dueo decidi regalar un
pastel de cumpleaos a cualquier persona que
cumpliera aos el da que cenara en el
restaurante. Suponiendo que p = 1/365 =
0.003 y n = 100, el dueo encontr el siguiente dato en una tabla binomial:

El dueo pens que, como la p era menor


que 0.01, esta probabilidad debera ser un lmite superior de la probabilidad de regalar
seis o ms pasteles de cumpleaos cada noche. Por lo tanto, pidi cinco pasteles cada
noche. Despus de 10 noches, en tres le haban faltado pasteles. Qu supone que estuvo
mal en el anlisis?
3-41. La compaa Acm tiene dos almacenes en
ciudades distintas. La demanda del producto
es independiente en el distrito de cada almacn. Sin embargo, los dos almacenes
tienen distribuciones de probabilidad idnti-

83

Suponga que los dos almacenes tienen normalmente dos unidades en existencia.
a. Cul es la probabilidad de que uno u otro
de los almacenes tenga ms demanda que
existencias?
b. Cul es la probabilidad de que ambos al
macenes queden sin existencias?
3-42. Remtase al problema 3-41. Suponga que la
compaa Acm consolida los dos almacenes
en uno solo que surte a las dos ciudades. El
almacn consolidado tendr cuatro unidades
en existencias.
a. Determine la distribucin de probabilidad de la demanda para el almacn con
solidado.
b. Cul es la probabilidad de que falte una
unidad en las existencias del almacn con
solidado? Dos unidades? Compare los resultados con las respuestas que se
obtuvieron en el problema 3-41.
3-43. El profesor Smullyan describe una isla en la
cual todos los habitantes son caballeros o bribones.3 Los caballeros nunca mienten y los
bribones nunca dicen la verdad. Suponga el
80% de los habitantes (tanto caballeros como
bribones) estn a favor de elegir al profesor
Smullyan como rey de la isla. La isla est poblada por caballeros en un 60% y por bribones en un 40%, pero no se puede saber quin
es quin. Suponga que toma una muestra
aleatoria de 10 habitantes y les pregunta
"Est a favor de que Smullyan sea el rey?"

Raymond Smullyan, What is the Name of This Book, Englewood Cliffs, N. J., Prentice Hall, 1978.

84

Parte II Anlisis de decisiones

Cul es la probabilidad de que reciba seis o


ms respuestas "s"?
3-44. Han descubierto que un desperfecto en un sistema elctrico, se puede deber a las siguientes
partes, con las probabilidades que se indican:

a. Suponiendo que las partes se pueden revisar con la misma rapidez, en qu orden
propondra que se revisaran las partes?
Por qu?
b. Suponga ahora que el tiempo necesario para revisar las partes es el que sigue (suponga que hay que revisar las partes una por
una):

En estas condiciones, qu orden propondra


para la revisin de partes si hay que detectar
una descompostura en el menor tiempo promedio posible? Por qu?
3-45. A usted le interesa saber cul ser el precio
de las patatas en el prximo ao. Hay tres factores que afectan este precio: la superficie
sembrada de trigo invernal, la superficie sembrada con patatas y las condiciones climticas.
La combinacin de una gran superficie
sembrada de patatas y de condiciones climticas favorables darn como resultado un precio
de dos dlares por quintal (45.36

kilogramos). Si las condiciones climticas son


favorables pero la superficie que se siembra de
patatas es mediana, el precio ser de cuatro
dlares por quintal. Con una superficie
pequea y un clima favorable, el precio
ascender a seis dlares por quintal. Si el clima no es bueno, el precio, en cada uno de los
casos, aumentar dos dlares por quintal. Usted determina que hay una probabilidad de 0.8
de clima favorable y 0.2 de clima desfavorable. El clima es independiente de la superficie que se siembre.
La superficie que se siembra con patatas vara en cierta medida de acuerdo con la superficie que se siembra con trigo invernal. Con
base en su experiencia previa, calcula que hay
un 30% de posibilidad de que se siembre gran
cantidad de trigo invernal y un 30% de que se
siembre poco. Si la siembra de trigo invernal es
cuantiosa, la probabilidad de siembra de una
superficie grande de patatas es de cero; la de
que sea una superficie mediana,
y la de
que sea una superficie pequea,
Si es poca
la siembra de trigo invernal, las probabilidades
de que la superficie para patatas sea grande,
mediana o pequea son de
respectivamente. Considere el
precio de las patatas como variable aleatoria y
determine la distribucin de probabilidad para
ella. Cul es el precio esperado?
3-46. John McEnroe es famoso por sus arrebatos de
ira durante los partidos de tenis. Un experto en
estadstica observ que John ganaba ms
puntos que los que perda inmediatamente
despus de enojarse. A partir de lo anterior
lleg a la conclusin de que John se beneficiaba de sus arrebatos. Evale la conclusin.
3-474. Hay 15 taxis azules y 85 verdes. Un testigo
inform que un taxi azul ocasion un accidente
y huy. Sin embargo, hay pruebas de que los
testigos se equivocan el 20% de las veces (y
estn en lo cierto el 80% de las veces). Cul
es la probabilidad de que el taxi no haya sido
azul?
4

Esta pregunta se basa en S. C. Salop, "Evaluzting Uncertain Evidence with Sir Thomas Bayes: A Note for Teachers",
The Journal of Economics Perspectives, pgs. 155-159, verano
de 1987.

CAPTULO

Toma de decisiones en
condiciones de incertidumbre:
Modificacin de
probabilidades

En este captulo se considera la aplicacin de los conceptos de probabilidad a las


decisiones empresariales que deben tomarse en condiciones de incertidumbre. Se
desarrollar un medio para tomar decisiones consistentes y para estimar el costo
de la incertidumbre. En un principio se propondr el valor monetario esperado
como criterio adecuado para tomar decisiones; ms adelante se describirn las
limitaciones del valor monetario esperado y se propondrn modificaciones en el
anlisis.
Tambin se presentar la oportunidad de experimentar, es decir, de recopilar
informacin adicional y modificar las probabilidades antes de tomar la decisin.

Valor condicional
Suponga que un tendero se enfrenta al problema de determinar cuntas cajas de
leche debe tener en existencia para satisfacer las demandas del da siguiente.
Suponga que la leche que no se venda en el da representar una prdida total para
el tendero. Adems, la demanda insatisfecha no tiene mayor costo que la venta
perdida; pero el cliente insatisfecho regresar. Este ejemplo es muy simple pero
sirve para ilustrar los principios bsicos del valor esperado y del valor condicional.
En el anlisis del problema del tendero, sera til saber algo acerca de las ventas
en el pasado, partiendo de la hiptesis de que la experiencia puede servir como
gua con respecto a lo que suceder. Suponga que el tendero en cuestin ha llevado
un registro, como el que se muestra en la tabla 4-1.
85

86

Parte II

Anlisis de decisiones

Tabla 4-1

Demanda histrica
Demanda total
por da
25
26
27
28

Tabla 4-2

Nmero de das
en los que se registr
la demanda

cajas
cajas
cajas
cajas

Probabilidad de
cada suceso

20
60
100
_20
200

0.10
0.30
0.50
(H0
1.00

Valores condicionales
Acciones posibles
Suceso: Demanda

Almacenar
25

Almacenar
26

Almacenar
27

25 cajas
26 cajas
27 cajas
28 cajas

$50*
50
50
50

$42
52*
52
52

$34
44
54*
54

Almacenar
28

$26
36
46
56*

* Mejor accin para el suceso (mayor beneficio de cada fila).

La tabla de valores condicionales (Tabla 4-2), con precio de compra (costo


variable) de ocho dlares por caja y precio de venta de 10 dlares por caja, es una
descripcin del problema que tiene el tendero. Las acciones posibles (nmero de
cajas que se comprarn) que puede emprender el tendero aparecen en la parte
superior de la tabla. Por supuesto, se pueden comprar 24 o 29 cajas, o ms; pero
si las ventas fueron de 25 a 28 cajas en los ltimos 200 das, el tendero puede
considerar que la probabilidad de que ocurrieran existencias mayores que 28 o
menores que 25 sera cero. Tambin haremos esta suposicin. Los sucesos
posibles (concebibles) las ventas posibles en este ejemplo se presentan en la
columna del extremo izquierdo. Si el tendero est dispuesto a asignar probabilidades que correspondan a los datos histricos, entonces los sucesos (ventas)
distintos de los que se incluyen tendran probabilidad cero; se les considera
sucesos imposibles.
Se puede considerar a la tabla 4-2 como una tabla de valor condicional o de
beneficios condicionales. Para cada accin que emprenda el tendero y cada suceso
que ocurra hay ciertos beneficios condicionales. Los beneficios son condicionales
en el sentido de que dependen de cierta accin y de cierta demanda (suceso). La
tabla 4-2 muestra todas las combinaciones posibles. Por ejemplo, si se almacenan
26 cajas y la demanda fuera de 25 cajas, el tendero tendra beneficios de 42 dlares
(o sea, 25 ' 10 - 26 " 8). La mejor accin para cada suceso posible se indica
con un asterisco.

Captulo 4 Toma de decisiones en condiciones de incertidumbre

87

Veamos los clculos de cada una de las cantidades monetarias correspondientes


a la columna de la accin "Almacenar 27", en la tabla 4-3. Hay que realizar
clculos similares para las acciones "Almacenar 25", "Almacenar 26" y "Almacenar 28".
Los clculos de la tabla 4-3 reflejan el hecho de que si hay 27 cajas en
existencia, slo se pueden vender 27, incluso si la demanda es de 28 cajas. Por
esto, el beneficio alcanza un mximo de 54 dlares para la venta de 27 unidades
y se mantiene en ese nivel incluso si la demanda es de 28 cajas.

Tabla de prdidas
Adems de elaborar la tabla que muestra los beneficios condicionales (Tabla 4-2),
tambin se puede construir una tabla que muestre las prdidas de oportunidad
condicionales (Tabla 4-4). Considere la accin "Almacenar 28"; si la demanda
fuera de 28, el tendero tendra un beneficio de 56 dlares. Es lo mejor que puede
obtener con una demanda de 28. Si la demanda fuera de 28 y el tendero slo tuviera
27 cajas en almacn, el beneficio habra sido de 54 dlares; entonces, esta accin
implicara una prdida de oportunidad de dos dlares en comparacin con la
mejor accin para una demanda de 28. Si la demanda fuera de 28 y el tendero
tuviera 26 cajas en existencia, la prdida de oportunidad condicional sera de
cuatro dlares ($56 - $52). La prdida de oportunidad se puede definir en
trminos generales como los beneficios que se pierden por no escoger la mejor
accin para cada suceso. Con base en esta definicin se puede elaborar la tabla
de prdida de oportunidades de la tabla 4-4.
Hay que hacer hincapi en que los beneficios (o prdidas) condicionales se
relacionan con los beneficios condicionados por dos cosas:
1. La ocurrencia de un suceso.
2. Una accin determinada.
No sabemos si va a ocurrir el suceso; entonces, hay incertidumbre y, por lo tanto,
los beneficios condicionales de una decisin no corresponden a un nmero,

Tabla 4-3

Beneficios condicionales de la accin "Almacenar 27"


Precio
Suceso: Demanda de venta
25 cajas
26 cajas
27 cajas
28 cajas

$10
10
10
10

Ingresos
totales
$250
260
270
270

Costo de 27
cajas
(27 $8)
$216
216
216
216

Beneficios condicionales
de la accin
"Almacenar 2 7"
$34
44
54
54

88

Parte II Anlisis de decisiones

Tabla 4-4

Perdidas de oportunidad condicionales


Accin
Suceso: Demanda Almacenar 25 Almacenar 26 Almacenar27 Almacenar 28
25
26
27
28

cajas
cajas
cajas
cajas

$0
2
4
6

$8
0
2
4

$16
8
0
.

$24
16
8
0

Clculos de las prdidas de oportunidad condicionales


Accin Beneficios
ptima
de la
Suceso: para cada accin
ptima
Demanda
suceso
25
26
27
28

25
26
27
28

$50
52
54
56

Diferencia entre el beneficio de la accin ptima y la accin


de almacenamiento
Almacenar 25
$50
52
54
56

- $50 = $0
- 50 = 2
- 50 = 4
- 50 = 6

Almacenar 26
$50
52
54
56

$42
52
52
52

= $8
= 0
= 2
= 4

Almacenar 27
$50 52 54 56 -

$34 = $16
44 =
8
54 =
0
54 =
2

Almacenar 28
$50
52
54
56

- $26 = $24
- 36 = 16
- 46 =
8
- 56 =
0

sino a una tabla de beneficios (o prdidas) asociados con los sucesos posibles. El
beneficio sera de 44 dlares slo si se almacenan 27 unidades y si la demanda
real es de 26 unidades. Si la demanda no fuera de 26 unidades, el beneficio real
no sera de 44 dlares.

Valor monetario esperado


Aunque las prdidas y los valores condicionales ayudan a caracterizar el problema
del tendero, an no es posible presentar una solucin ptima. El tendero podra
elegir la mejor opcin si supiera cul ser la demanda de maana, pero en el
ejemplo no se dispone de esta informacin. El problema del tendero es asignar
probabilidades a los sucesos posibles y luego analizar las alternativas de accin.
Las probabilidades seran las que se presentan en la tabla 4-5 si se basaran en la
informacin histrica (vase Tabla 4-1). Si el tendero cree que, por alguna razn,
la demanda de maana variar con respecto al patrn observado, ser necesario
modificar la asignacin de probabilidades.
El siguiente paso es incorporar al anlisis las probabilidades asignadas. Esto
se hace ponderando los valores condicionales de cada suceso de la tabla de
valores condicionales segn la probabilidad de ocurrencia del suceso y luego
sumando los productos. El nmero que se obtiene es el valor monetario esperado
para la accin; la accin ptima es aquella que presenta el mayor valor monetario
esperado. En la tabla 4-6 se presentan los clculos para las acciones de almacenar
26 y 27 unidades; los clculos seran similares para 25 y 28 unidades.

Captulo 4 Toma de decisiones en condiciones de incertidumbre

89

Tabla 4-5
Suceso: Demanda Probabilidad del suceso
25 cajas
26 cajas
27 cajas;
28 cajas

Tabla 4-6

0.10
0.30
0.50
0.10
1.00

Clculo de los valores monetarios esperados


Accin: Almacenar 26

Suceso:
Probabilidad
Demanda del suceso
25 cajas
26 cajas
27 cajas
28 cajas

0.10
0.30
0.50
0.10
1.00
Valor monetario esperado

Tabla 4-7

Accin: Almacenar 27
Valor
VC ponderado por
Valor
VC ponderado por
condicional la probabilidad condicional
la probabilidad
(VC)
del suceso
(VC)
del suceso
$ 4.20
15.60
26.00
5.20

$42
52
52
52

$34
44
54
54

$51.00

$ 3.40
13.20
27.00
5.40
$49.00

Resumen de los valores monetarios esperados


Accin
Almacenar 25
Almacenar 26
Almacenar 27
Almacenar 28

Valor monetario
esperado
$50
51 (accin ptima)
49
42

En la tabla 4-6, el valor monetario esperado (VME) se calcula multiplicando


cada valor condicional por su probabilidad y despus sumando los valores
condicionales ponderados. La tabla 4-7 muestra los valores monetarios esperados
para las cuatro acciones. Para la accin "almacenar 26", el tendero calcula un
valor monetario esperado de 51 dlares, el ms elevado. Entonces, con base en
el valor monetario esperado, hay que almacenar 26 cajas.
Observe que el VME de 51 dlares no representa el beneficio de cualquier da;
es el beneficio esperado o promedio. Si la decisin se repitiera durante varios das
(con las mismas probabilidades) el tendero obtendra un promedio de 51 dlares

90

Parte II Anlisis de decisiones

diarios si almacenara 26 cajas de leche. Incluso si no repite la decisin, la accin


con mayor VME es la mejor alternativa disponible.
En resumen, el plan para resolver el problema del tendero es:
1. Elaborar una tabla de beneficios (valores condicionales) que muestre las
acciones y los sucesos que se consideran como posibles e incluir los resultados
para cada accin y suceso. Al presentar sucesos, asegure que sean mutuamente
excluyentes (es decir, verifique que no puedan ocurrir dos sucesos o ms al
mismo tiempo) y que el conjunto de sucesos sea exhaustivo (es decir, que
abarque todas las posibilidades). Esta tabla incluye los aspectos econmicos
del problema (costos, ingresos y beneficios): presenta un valor (o prdida
condicional) para cada combinacin de accin y suceso.
2. Asignar probabilidades a los sucesos.
3. Calcular un VME para cada accin ponderando (multiplicando) los valores
condicionales por las probabilidades asignadas y sumando los valores condicionales ponderados para obtener el VME de la accin.
4. Elegir la accin con mayor VME.

Prdida de oportunidad esperada


El tendero tambin puede elegir la mejor accin por medio de la minimizacin de
la prdida de oportunidad esperada (POE). Este procedimiento es idntico al
descrito, con la excepcin de que en vez de usar la tabla de beneficios (tabla de
valores condicionales, tabla 4-2) y los beneficios condicionales, se usa la tabla de
prdidas de oportunidad condicional (Tabla 4-4) y las prdidas de oportunidad
condicionales. En la tabla 4-8 se muestran los clculos de las acciones "Almacenar
26" y "Almacenar 27."
A partir de la tabla 4-9, se observa que el tendero deber escoger la accin
"Almacenar 26", que presenta prdidas esperadas por 2.20 dlares, la cifra ms
baja de las cuatro prdidas de oportunidad esperadas.
Tabla 4-8

Clculo de perdidas de oportunidad esperadas


Accin: Almacenar 26

Accin: Almacenar 27

Prdidas
PC ponderadas
Prdidas
PC ponderadas
Suceso:
Probabilidad condicionales por la probabilidad condicionales por la probabilidad
Demanda del suceso
(PC)
del suceso
(PC)
del suceso
25 cajas
26 cajas
27 cajas
28 cajas

0.10
$8
0
0.30
2
0.50
4
0.10
1.00
Prdida de oportunidad esperada

$0.80
0.00
1.00
0.40
$2.20

$16
8
0
2

$1.60
2.40
0.00
0.20
$4.20

Captulo 4 Toma de decisiones en condiciones de incertidumbre

Tabla 4-9

Resumen de las prdidas de oportunidad esperadas

Accin
Almacenar 25
Almacenar 26
Almacenar 27
Almacenar 28

RESUMEN

91

Prdidas de
oportunidad
esperadas

Comparacin de
las prdidas de oportunidad
esperadas con lo ptimo

$ 3.20
2.20 (accin ptima)
4.20
11.20

$1
0
2
9

Hagamos un resumen de las diversas mediciones de la rentabilidad que se han


presentado:
Valor condicional. Beneficio real que se obtendra de una accin, condicionado
por la ocurrencia de un suceso.
Prdida de oportunidad condicional. Prdida relativa (es decir, los beneficios que
no se obtienen) al emprender una accin, condicionada por la ocurrencia del
suceso.
Valor monetario esperado. Valores condicionales ponderados por la probabilidad
de ocurrencia de los sucesos y sumados para cada accin.
Prdida de oportunidad esperada. Prdidas de oportunidad esperadas, ponderadas por la probabilidad de ocurrencia de los sucesos y sumadas para cada
accin.
La accin ptima es aquella con mayor valor monetario esperado y, por lo tanto,
con la menor prdida de oportunidad esperada.

Utilidad esperada
Aunque el valor monetario esperado es una buena gua para determinar la accin
apropiada en varios casos, hay ocasiones en que no lo es. Esto no destruye el
modelo del valor esperado; significa que se debe modificar el anlisis cuando la
situacin lo requiera. Consideremos una de las mayores dificultades que surgen
del uso del valor monetario esperado.
Suponga que un gerente tiene la oportunidad de invertir 500 000 dlares en un
producto nuevo. Si el producto tiene xito, el beneficio neto ser de un milln de
dlares; en cambio, si fracasa, se perdern los 500 000 dlares que se invirtieron
en el desarrollo, en la produccin y en la venta del producto. En la tabla 4-10 se
presenta la tabla de valores condicionales del gerente.
Si, despus de recoger pruebas, el gerente asigna una probabilidad subjetiva de
0.90 para el xito, el VME de la accin "Invertir" sera de 850 000 dlares
($1 000 000 x 0.90 - $500 000 * 0.10 = $850 000), en comparacin con un
VME de cero para la accin "No invertir". Suponga ahora que la empresa se

92

Parte II Anlisis de decisiones

Tabla 4-10

Valor condicional

encuentra en una situacin financiera muy difcil y que una prdida de 500 000
dlares la llevara a la bancarrota. En este caso el VME sera una gua deficiente
para determinar la accin. El gerente no estara dispuesto a aceptar una probabilidad de 0.10 de perder 500 000 dlares, sin importar la magnitud de los beneficios
condicionales o el VME, debido a las consecuencias poco deseables de la prdida.
En este caso, al gerente le provocara problemas la prdida y hay que incorporar
esta situacin en el anlisis.
Si se ignoraran los aspectos de la utilidad, o en el problema la utilidad del dinero
fuera aproximadamente lineal (vase Cap. 5), el VME servira como gua razonable para determinar la accin. Por ejemplo, si las prdidas potenciales no son muy
grandes y el margen de beneficio esperado es estrecho, por lo general no son significativas las consideraciones de utilidad. Esta situacin es la que prevalece en
el problema del tendero, por lo que el VME es adecuado.
Sin embargo, si se contemplan acciones que implican prdidas potenciales de
gran magnitud, puede ser conveniente alterar el anlisis e incorporar los aspectos
de la utilidad. Esto se logra calculando el valor de la utilidad esperada de las
acciones posibles, en vez del valor monetario esperado; en el captulo 5 se
analizar la modificacin del anlisis. Por el momento supondremos que se trata
de situaciones en la cuales los aspectos de utilidad no tienen importancia (es decir,
el valor monetario esperado es una medida razonable de la utilidad esperada).

Beneficio esperado con pronsticos perfectos


Regresemos al problema del tendero y planteemos la siguiente pregunta: Cul
es el beneficio que esperara obtener el tendero si pudiera pronosticar con certeza
la demanda de cada da, un da antes de que realmente ocurriera?" Para responder
esta pregunta, construyamos una tabla de valores condicionales que muestre los
beneficios condicionales de la mejor accin para cada suceso. La tabla 4-11 se
construye escogiendo la mejor accin y el registro de los beneficios ms altos para
cada suceso (esta informacin se obtiene de la Tabla 4-2). Por ejemplo, si se sabe
que la demanda de maana ser 27, se almacenaran 27 cajas y el beneficio sera
de 54 dlares. Si se almacenaran 26 cajas, se perdera el beneficio de dos dlares
correspondiente a una caja; si las existencias fueran de 28 cajas, sera necesario
desechar una unidad, con prdida de ocho dlares. La tabla 4.11 muestra los
beneficios que se obtienen de la mejor accin para cada suceso posible.

Captulo 4 Toma de decisiones en condiciones de incertidumbre

Tabla 4-11

93

Tabla de valores condicionales para las decisiones ptimas con pronsticos perfectos
Accin
Suceso: Demanda

Almacenar 25 Almacenar 26 Almacenar 27 Almacenar 28

25 cajas
26 cajas
27 cajas
28 cajas

$50
$52
$54
$56

Vamos ahora a convertir estas cifras de beneficios ptimos condicionales en


valores esperados, ponderando los beneficios de cada suceso por la probabilidad
de ocurrencia. Los clculos se muestran en la tabla 4-12, donde los beneficios
esperados con pronsticos perfectos (53.20 dlares) son los beneficios medios
que podra recibir el tendero si pudiera predecir la demanda de cada da. En este
caso se pedira la cantidad ptima cada da.
Antes de usar el pronstico perfecto, el tendero tena incertidumbre acerca del
pronstico, pues poda ocurrir uno de cuatro sucesos. Antes del pronstico, los
beneficios son valores esperados, ya que no se sabe cul es el suceso que ocurrir.
Para que el tendero pueda decidir si usa el pronstico, deber asignar un valor al
pronstico perfecto y comparar este valor con el costo del otro pronstico.
Recuerde que antes de comprar la informacin no sabemos cul ser el pronstico.

Valor esperado de la informacin perfecta


En muchos problemas de decisin el gerente se enfrenta a la duda de actuar de
inmediato o posponer la accin y buscar ms informacin. Lo ms importante
para el gerente es equilibrar el costo de la informacin adicional con el valor
(beneficios adicionales) de la informacin. Por lo general es ms fcil calcular la
parte de costo de esta decisin (costo de obtener la informacin) que el valor de
la informacin. Sin embargo, si se utiliza el modelo del valor esperado se cuenta
con una manera de cuantificar el valor de la informacin adicional.
Tabla 4-12

Beneficios esperados con pronsticos perfectos


Suceso: Demanda

25 cajas
26 cajas
27 cajas
28 cajas

Probabilidad
del suceso
0.10
0.30
0.50
0.10

Beneficios
condicionales
(BC)
$50
52
54
56

Beneficios esperados con pronsticos perfectos

BC ponderados por
la probabilidad del
suceso
$ 5.00
15.60
27.00
5.60
$53.20

94

Parte II Anlisis de decisiones

En el ejemplo del tendero se mostr, en la tabla 4-12, que el beneficio esperado


con pronsticos perfectos era de 53.20 dlares. Antes, en la tabla 4-7, se mostr
que el VME de la mejor accin en una situacin de incertidumbre, "Almacenar
26", era de 51 dlares. La diferencia,
$53.20-$51 = $2.20
es el aumento en el beneficio esperado que se obtiene con una informacin gratuita
de pronstico perfecto. Entonces, 2.20 dlares es el valor esperado de la
informacin perfecta (VEIP). En otras palabras:
VEIP = Beneficios esperados con pronsticos perfectos - VME (accin ptima)
Observe, en la tabla 4-9, que 2.20 dlares es tambin la prdida de oportunidad
esperada de la accin ptima. Este resultado se podra prever, ya que la prediccin
perfecta reducira a cero la prdida de oportunidad que existe en situaciones de
incertidumbre. Entonces, la prdida de oportunidad esperada de la accin ptima
mide el VEIP. Con la identidad siguiente se revisan los clculos efectuados:
VME (de cualquier accin) _ Beneficios esperados con
+ POE (de la misma accin)
pronsticos perfectos
Este clculo se exhibe en la tabla 4-13.
Es importante sealar que es la POE de la accin ptima la que es igual al VEIP.
Si el tendero elige la accin "Almacenar 28", el VME ser de 42 dlares, y la POE
de 11.20 dlares. El VEIP no es de 11.20 dlares, ya que el tendero puede aumentar
el VME a 51 dlares si elige otra accin ("Almacenar 26") y para esto no se
requiere informacin adicional. El valor de la informacin adicional se mide a
partir de la hiptesis de que elegir la accin ptima con base en la informacin
disponible.

Anlisis de sensibilidad de las probabilidades subjetivas


La estimacin de probabilidades es uno de los pasos ms difciles al aplicar el
criterio de decisin del valor monetario esperado. En ocasiones se puede evitar
Tabla 4-13
Accin
Almacenar 25 Almacenar 26

Almacenar 27 Almacenar 28

VME (con incertidumbre)


POE

$50.00
3.20

$51.00
2.20

$49.00
4.20

$42.00
11.20

Beneficios esperados (con


pronsticos perfectos)

$53.20

$53.20

$53.20

$53.20

Captulo 4 Toma de decisiones en condiciones de incertidumbre

95

este paso si se deja hasta el final la estimacin de probabilidades. Para cada accin
se puede encontrar una gama de probabilidades dentro de la cual la accin es
ptima. Luego, el decisor determina en qu intervalo estn las probabilidades.
Ilustraremos esta situacin con un ejemplo anterior. En la tabla 4-10 se
presentaron valores condicionales para la decisin de un producto nuevo (un
milln de dlares si el producto tena xito; 500 000 dlares si fracasaba; y cero
si no se introduca). Sea p la probabilidad de xito y, por lo tanto, (1 - p) la
probabilidad de fracaso del nuevo producto. Suponiendo que el decisor desea usar
el criterio VME, el valor esperado de la introduccin del producto es:
VME = p(1 000 000) + (1 - p)(-500 000)
= - 500 000 + 1 500 000p
Para introducir el producto, el VME debe ser mayor que cero. Es decir:
- 500 000 + 1 500 000 > 0
o

As, si el decisor considera que hay ms de un tercio de probabilidad de xito,


hay que introducir el producto. Observe que para tomar la decisin no es necesario
especificar un valor exacto para p.
Ejemplo

Tabla 4-14

Para que este concepto sea ms claro, considere una vez ms el ejemplo del tendero que decide cuntas cajas de leche debe almacenar. En la tabla 4-7 se determin que la accin ptima era almacenar 26 cajas. Este resultado se obtuvo con
las probabilidades de la primera columna de la tabla 4-14. Usted puede verificar
que la accin "Almacenar 26" sigue siendo la ptima para todos los conjuntos de
probabilidades posibles de la tabla 4-14. Entonces, el decisor puede ver que la
decisin no es sensible a las variaciones en las probabilidades que se presentan
en la tabla 4-14.' Sin embargo, hay otras probabilidades que podran cambiar la
Alternativas de conjuntos de probabilidades
Conjuntos de probabilidades

Suceso: Demanda

25 cajas
26 cajas
27 cajas
28 cajas

0.1
0.3
0.5
0.1

0.2
0.3
0.4
0.1

0.05
0.15
0.40
0.40

0.1
0.1
0.3
0.5

La accin "Almacenar 26" ser la ptima mientras P(demanda - 25) < 0.20 y /"(demanda > 27) < 0.80. Este
modelo se desarrolla detalladamente en el captulo 17.

96

Parte II Anlisis de decisiones

decisin. Por ejemplo, si la probabilidad del suceso "demanda de 25 cajas" fuera


mayor que 0.20, entonces la decisin ptima cambia a "pedir 25 cajas".
El mtodo general que propone este ejemplo es el anlisis de sensibilidad,
similar al que se present en el captulo 2. El decisor establece un conjunto
preliminar de estimaciones (de probabilidades o beneficios); despus se aplican
variaciones a estas estimaciones y, si las variaciones no cambian la decisin
ptima, all concluye el proceso. En cambio, si la decisin es sensible a los
cambios, el gerente deber afinar las estimaciones preliminares para tomar la
decisin.
RESUMEN

Para el decisor, el valor esperado de la informacin perfecta es el valor de un


pronstico perfecto de un suceso incierto. El anlisis de sensibilidad examina el
grado en que una decisin depende de las hiptesis o estimaciones (sobre todo de
las estimaciones de probabilidades), o es sensible a ellas.

rboles de decisin
En las secciones anteriores de este captulo se ha desarrollado el criterio de
decisin del valor monetario esperado y se analizaron decisiones sencillas con
tablas de valores condicionales. Esta seccin describe un mtodo general para
tomar decisiones ms complejas, que sirve para estructurar el problema de
decisin y para encontrar una solucin. El mtodo utiliza un rbol de decisin,
una herramienta grfica para describir las acciones disponibles para el decisor,
los sucesos que pueden ocurrir y la relacin entre estas acciones y sucesos.
rbol de decisin para el problema del tendero
Para ilustrar los conceptos bsicos, desarrollemos el rbol de decisin para el
problema del tendero, que se utiliz en la seccin anterior. Recuerde que la
decisin refiere a la cantidad de cajas de leche que debe pedir. El punto de decisin
se representa con un cuadrado o nudo de decisin en la figura 4-1. Las alternativas se representan con ramas que parten el nudo de decisin.
Suponga que el tendero selecciona una alternativa, digamos el pedido de 28
cajas. Hay siete sucesos que pueden ocurrir, correspondientes al nmero de cajas
de leche que pueden solicitar los clientes. Estos sucesos se muestran en la figura
4-2 como ramas que parten de un nudo circular (se utiliza convencionalmente un
cuadrado para un nudo de decisin y un crculo para un nudo de incertidumbre o
de sucesos). Observe que estas ramas representan sucesos inciertos que no puede
controlar el decisor. Sin embargo, se pueden asignar probabilidades a cada suceso,
las cuales estn registradas entre parntesis debajo de cada rama.
Al final de cada rama estn los beneficios condicionales para la accin seleccionada y el suceso que se da (los mismos valores de la Tabla 4-2). Entonces, los
benficos condicionales representan los beneficios relacionados con las decisio-

Captulo 4 Toma de decisiones en condiciones de incertidumbre


Figura 4-1

Alternativas del tendero

nes y los sucesos a lo largo de la ruta, desde la primera parte del rbol hasta el
final. Por ejemplo, la cifra de 26 dlares de la figura 4-2 representa el beneficio
que se relaciona con el pedido de 28 cajas de leche y demanda de 25 cajas.
El valor monetario esperado (VME) se calcula para cada nudo de suceso de la
misma manera que en la seccin anterior (vase Tabla 4-6). Es decir, se multiplican las probabilidades por los beneficios condicionales y se suman. El VME se
coloca dentro del nudo de suceso para indicar que es el valor esperado que
se calcul para todas las ramas que parten del nudo.
La figura 4-3 muestra el rbol de decisin completo para el problema del
tendero. Observe que no es necesario incluir por separado cada suceso posible en
todas las decisiones. As, cuando se piden 26 cajas, slo hay dos sucesos que
producen beneficios condicionales diferentes: demanda de 25 cajas, con beneficio
de 42 dlares, y demanda de 26 cajas o ms (o sea, demanda igual a 26, 27 o 28
cajas), con beneficio de 52 dlares. Si el tendero pide 25 cajas slo puede haber
un resultado, especficamente, la venta de las 25 cajas con beneficios condicionales de 50 dlares.
En la figura 4-3 los valores monetarios esperados se muestran en los nudos de
sucesos. El tendero deber escoger la accin, y esto consiste en seleccionar la
opcin con mayor VME (26 cajas con VME = 51 dlares). Esto se indica en el
rbol colocando 51 en el nudo de decisin (cuadrado) del inicio del rbol. Se
dibuja adems la marca || sobre las ramas de decisin que no son ptimas, para
indicar'que no deben seguirse.

98

Parte II Anlisis de decisiones

Figura 4-2

Sucesos para la alternativa "Pedir 28 cajas"

En resumen, el rbol de decisin utiliza la misma idea de maximizar el valor


monetario esperado que se desarroll en la seccin anterior. En el ejemplo del
tendero puede ser ms fcil usar una tabla, como la tabla 4-2; sin embargo, si el
problema de decisin es ms complejo, el rbol de decisin es mucho ms til
para organizar la informacin necesaria para tomar la decisin. Esto sucede sobre
todo cuando el gerente tiene que tomar una serie de decisiones, en vez de una
sola, como se ver en el siguiente ejemplo.
Ejemplo
de rbol de
decisin

Suponga que el gerente de mercadotecnia quiere decidir si pone a la venta un


producto nuevo y cul ser el precio de venta. Los beneficios que se obtendran dependen de que un competidor presente un producto similar y del precio que cobre.
Observe que hay dos decisiones: (1) introducir o no el producto, y (2) el precio de
venta. Por otra parte, hay dos sucesos: (1) la competencia introduce un producto
competitivo (o no lo hace), y (2) el precio del competidor. El tiempo o la secuencia
de estas decisiones y sucesos es muy importante en esta decisin. Si el gerente de
mercadotecnia debe actuar antes de saber si el competidor lanzar al mercado un
producto similar, el precio podra ser distinto del que sera en caso de saberlo. Un

Captulo 4 Toma de decisiones en condiciones de incertidumbre

Figura 4-3

99

rbol de decisin completo para el problema del tendero

rbol de decisin es til en este tipo de situaciones, ya que presenta el orden en


que se toman las decisiones y ocurren los sucesos.
Suponga que la empresa debe decidir pronto si introduce el nuevo producto o
lo desecha; no obstante, la decisin acerca del precio puede venir despus. Si el
competidor va a actuar, presentar el nuevo producto en menos de un mes. Nuestra
empresa establecer y anunciar su precio en tres meses y ms tarde anunciar su
precio el competidor. Todo lo anterior se puede representar en el rbol de decisin
de la figura 4-4. Observe que es un problema secuencial de decisiones. La empresa

100

Figura 4-4

Parte II Anlisis de decisiones

rbol de decisin para el ejemplo de introduccin de producto

debe decidir ahora acerca de la introduccin del producto y posteriormente,


despus de saber cul fue la accin del competidor establecer el precio.
El rbol de decisin muestra la estructura del problema de decisin. Para que
el anlisis est completo hay que estimar los beneficios condicionales para cada
combinacin de acciones y sucesos (es decir, para cada ruta a travs del rbol).
Suponga que el gerente de mercadotecnia ya efectu este paso y los beneficios

Captulo 4 Toma de decisiones en condiciones de incertidumbre

101

son los que se presentan en la figura 4-4, al final del rbol. Estos valores de
beneficios incluyen el costo de introduccin del producto y los beneficios que se
obtienen de su venta. Los valores negativos indican que los costos de introduccin
exceden los beneficios de las ventas.
El decisor tambin tiene que evaluar las probabilidades de cada suceso; en el
ejemplo se muestran debajo de las ramas de suceso de la figura 4-4. Observe que
estas probabilidades pueden depender de acciones o sucesos anteriores. Por esto,
las probabilidades del comportamiento del precio del competidor que se incluyen
en la figura 4-4 son distintas cuando el precio es ms alto o ms bajo.
Diagrama de influencia
Tambin podemos representar el problema del director con un diagrama de
influencia, como se hizo en el captulo 2 (vase la Figura 4-5). Este diagrama
de influencia es bastante sencillo, por lo que puede parecer que no es muy til
para estructurar el problema de decisin y el rbol de decisin. Sin embargo, en situaciones ms complejas, puede ser conveniente elaborar un diagrama de influencia antes de desarrollar el rbol de decisin detallado; el diagrama de influencia
sera una forma excelente de estructurar las hiptesis acerca de los factores y de
las relaciones importantes del modelo. En trminos generales, recomendamos usar
rboles de decisin para este tipo de problemas; sin embargo, en casos especializados, los prototipos de paquetes de software (DAVID, por ejemplo) son una
nueva alternativa para la resolucin de problemas de decisin directamente a partir
del diagrama de influencia.2

Figura 4-5

Diagrama de influencia para el ejemplo de introduccin de producto

Vase R. Shachter, "DAVID: Influence Diagram Processing System for the Macintosh", en Uncertainty in
Artificial Intelligence, vol. II, L. N. Kanal y J. Lemmer, editores, North-Holland, 1988.

102

Parte II Anlisis de decisiones

Anlisis del problema de decisin


Para analizar un rbol de decisin se comienza por el final del rbol y se trabaja
hacia atrs. El VME de cada conjunto de ramas se calcula como se muestra, y se
elige el conjunto de ramas con mayor VME (este paso se ilustra en la Figura 4-6,
para nuestro ejemplo). Primero se calculan los VME de los nudos asociados con
el precio del competidor. Por ejemplo, el VME de 5000 dlares del crculo
superior de la derecha de la figura 4-6 representa la suma del producto de las
probabilidades para los precios alto, medio y bajo y los beneficios condicionales
respectivos:
VME = (0.3)(150) + (0.5)(0) + (0.2)(-200) = 5
Los dems valores se calculan en forma parecida.
Si ahora retrocedemos por el rbol de decisin hasta el segundo punto de
decisin, nos enfrentamos a dos situaciones de decisin. La primera, cuando se
introduce un producto competitivo, comprende el establecimiento de un precio
alto, medio o bajo, con beneficios esperados de 5000, 70 000 y -50 000 dlares,
respectivamente. Suponga que se escoge la opcin con mayor utilidad esperada:
el precio medio. Se coloca una marca || en las lneas que se relacionan con las
otras alternativas, para indicar que no son ptimas, y los beneficios esperados de
70 000 dlares se incluyen en el cuadrado superior del segundo punto de decisin.
Si no se introduce un producto competitivo, la mejor opcin es el precio alto,
con beneficio de 500 000 dlares.
En el punto de suceso que est a la izquierda, el valor esperado de 156 000
dlares se calcula multiplicando los beneficios esperados si hay un producto
competitivo (70 000 dlares) por su probabilidad (0.8) y luego sumando los
beneficios si no hay un producto competitivo (500 000 dlares) multiplicados por
su probabilidad (0.2). El VME, en miles, es:
VME = (0.8)(70) + (0.2)(500) = 156
Por ltimo, se toma la decisin de lanzar el producto al mercado, ya que el
beneficio neto esperado de 156 000 dlares es mayor que el beneficio de cero si
no se pone a la venta el producto.
Observe que la decisin que se obtiene del anlisis del rbol de decisin no es
una decisin fija, sino una estrategia: introducir el producto y cobrar un precio
alto si no hay competencia, o cobrar un precio medio si hay un producto
competitivo.

Desarrollo del rbol de decisin


El rbol de decisin es el modelo de una situacin de decisin y, como todos los
modelos, abstrae y simplifica el problema real. Slo se incluyen las decisiones y

Captulo 4 Toma de decisiones en condiciones de incertidumbre

Figura 4-6

103

rbol de decisin completo para el ejemplo de introduccin de producto

los sucesos importantes; de lo contrario, el rbol sera demasiado "frondoso".


Tambin se requiere el juicio, no slo para determinar lo que hay que incluir,
sino tambin para la evaluacin de probabilidades.
Al dibujar un rbol de decisin hay que observar ciertas reglas:
1. Las ramas que parten de un nudo deben ser del mismo tipo lgico, sean sucesos
o alternativas, pero nunca una combinacin.

104

Parte II Anlisis de decisiones

2. Los sucesos relacionados con las ramas de un nudo de sucesos deben ser
mutuamente excluyentes y deben incluirse todos los sucesos, de manera que la
suma de la probabilidades sea 1.
3. Las alternativas asociadas con un nudo de decisin deben ser todas las que se
consideren en ese punto.
Por lo general es til desarrollar el rbol de decisin en secuencia cronolgica,
para que se mantenga el orden adecuado de los sucesos y las decisiones. Sin
embargo, varios aspectos de la elaboracin del rbol son arbitrarios. Por ejemplo,
en el caso anterior, suponga que la empresa debe anunciar su decisin con respecto
al nuevo producto y establecer el precio antes de que se conozca la informacin
acerca del competidor. La parte del rbol que se relaciona con estas decisiones
podra dibujarse en dos formas equivalentes, que se exhiben en la figura 4-7.

Figura 4-7

Alternativas para elaborar el diagrama de decisin (ejemplo modificado)

Captulo 4 Toma de decisiones en condiciones de incertidumbre

105

Estaran disponibles exactamente las mismas opciones para elaborar el diagrama


de los sucesos relacionados con la introduccin del producto del competidor y su
precio, si ocurrieran sin intervencin de una decisin por parte de nuestra empresa.
Recuerde que en el anlisis previo acerca de la utilidad esperada se mencion
que el valor monetario esperado no es el criterio de decisin adecuada si los
beneficios o las prdidas condicionales son tan grandes que el decisor considera
que las alternativas tienen consecuencias significativamente distintas. En estos
casos se usan los valores de utilidad en el rbol de decisin, en vez de los
beneficios condicionales. Este tema se considera con detalle en el captulo 5.
RESUMEN

Un rbol de decisin es una herramienta grfica para mostrar la secuencia de


alternativas de decisin y de los sucesos que intervienen en la toma de decisiones
en situaciones de incertidumbre. El anlisis de un rbol de decisin se realiza
calculando el valor esperado para cada nudo de suceso y eligiendo la alternativa
que presente mayor beneficio para los nudos de decisin, comenzando por el final
del rbol y retrocediendo por l hasta el origen.

Modificacin de probabilidades
En esta seccin se presenta la oportunidad de experimentar, es decir, recoger
informacin adicional y modificar las probabilidades antes de tomar la decisin.
Utilizaremos la ms sencilla de las situaciones posibles, en la cual slo hay un
factor desconocido. Por ejemplo, la decisin puede depender de la demanda del
producto en el prximo ao. Suponga que se decidi experimentar y que la
demanda es el nico factor que se desconoce. En esta situacin (que podra ser
un problema de inventarios) el proceso de decisin es el que sigue:
1. Escoja el criterio de decisin; suponemos que ser la regla de decisin del valor
esperado.
2. Describa el conjunto de resultados y decisiones posibles.
3. Asigne probabilidades a los resultados posibles (estados).
4. Determine una funcin de beneficios (beneficios condicionales).
5. Lleve a caho un experimento.
6. Modifique las probabilidades asignadas.
7. Calcule los beneficios esperados para cada decisin.
8. Considere que la decisin ptima es la accin con mayores beneficios espe
rados.
El proceso anterior supone que se ha determinado previamente que la experimentacin es deseable. Ahora analizaremos esta cuestin.

Valor de la informacin imperfecta


Aqu presentaremos un mtodo general para evaluar la posibilidad de obtener ms
informacin con respecto al problema de decisin. En los captulos posteriores se
ampliar este anlisis.

106

Parte II Anlisis de decisiones


El valor esperado de la informacin perfecta (VEIP), que se present antes,
establece un lmite superior para el valor de la informacin adicional en una
situacin de decisin. La mayor parte de la informacin que se puede obtener es
imperfecta, en el sentido de que no nos dir con precisin cul es el suceso que
ocurrir. Incluso as, la informacin imperfecta puede ser valiosa si mejoran los
beneficios esperados.
Aqu se pretende que el trmino experimento tenga un significado muy vasto.
Un experimento puede ser un estudio realizado por economistas para pronosticar la actividad econmica nacional; un estudio de clientes efectuado por una
empresa de investigacin de mercados; una encuesta de opinin efectuada para
un candidato a un puesto poltico; una muestra de artculos de la lnea de
produccin que realiza un ingeniero para verificar la calidad; o una prueba ssmica
para proporcionar indicadores de la presencia de petrleo a una empresa perforadora de pozos.
En general, slo se podr evaluar la importancia de un experimento si se puede
estimar la confiabilidad de la informacin resultante. Un estudio de mercado
puede servir para decidir si se introduce o no un producto nuevo. Sin embargo,
slo se puede asignar un valor econmico especfico al experimento si el decisor
puede definir, de antemano, cul ser la precisin del estudio de mercado para
estimar las ventas potenciales.
Lo anterior quedar claro con un ejemplo. Suponga que el potencial de
un producto nuevo ser grande o pequeo (el producto ser un xito o un fracaso).
En la tabla 4-15 se muestran los valores condicionales para esta decisin. El
valor condicional de cuatro millones de dlares corresponde al beneficio neto
(valor actual) si el potencial de ventas es grande. La cifra de -2 millones de dlares
es el gasto en que se incurre si el producto no se vende bien.
Con base en el valor monetario esperado (VME) la accin adecuada es no
introducir el producto. Sin embargo, el decisor no est dispuesto a renunciar a la
probabilidad de 0.3 de ganar cuatro millones de dlares, por lo cual decide obtener
ms informacin antes de actuar. Como primer paso, calculemos el valor esperado
de la informacin perfecta (VEIP). Recuerde que en este captulo (pg. 94) se
mencion que:
VEIP = Beneficios esperados con pronstico perfecto - VME (accin ptima)
Si hubiera un pronstico perfecto, la compaa introducira el producto si las
ventas fueran altas, y no lo introducira si fueran bajas, con lo que se obtiene un
valor esperado de 0.3 x 4 + 0.7 x 0 = 1.2. El VME de la accin ptima (no
introducir el producto) es cero. Entonces
VEIP= 1 . 2 - 0 = 1.2
Tambin se puede calcular esta cifra a partir de las prdidas de oportunidad
esperadas (POE). Recuerde que:
VEIP = POE (accin ptima)

Captulo 4 Toma de decisiones en condiciones de incertidumbre

Tabla 4-15

107

Tabla de valores condicionales para la decisin acerca de la introduccin de


un producto nuevo (millones de dlares)

Resultados
Ventas altas
Ventas bajas
Valor monetario esperado

Acciones
Probabilidades Introducir el producto No introducir el producto
0.3
0.7

4.0 2.0

0
0

-0.2

La accin ptima es no introducir el producto. Si las ventas fuesen bajas no


habra prdida de oportunidad; pero si fuesen altas, habra una prdida de oportunidad de cuatro millones de dlares, ya que la compaa podra obtener estos
beneficios de haber introducido el producto. Por lo tanto, la POE es 0.3 * 4 +
0.7 x 0 = 1.2, lo mismo que antes.
As, el valor esperado que puede obtenerse de la informacin perfecta es
1.2 millones de dlares. El valor de la informacin imperfecta ser menor.
El decisor puede llevar a cabo un experimento en esta situacin. Suponga que
el experimento es un estudio de mercado que se realiza en dos ciudades representativas a un costo de 0.2 millones de dlares.
El estudio genera tres resultados posibles: (1) El estudio puede pronosticar el
xito (ventas altas) para el producto nuevo; (2) el estudio puede pronosticar
el fracaso (ventas bajas); o (3) los resultados del estudio pueden no ser concluyentes. En el pasado, los estudios como el propuesto muchas veces pronosticaron
correctamente el xito o el fracaso de un producto nuevo, pero en ocasiones se
pronostic el xito para un producto que luego fracas, y viceversa.
Si el gerente de mercadotecnia efecta el estudio antes de actuar, las decisiones
pueden basarse en los resultados del estudio. La figura 4-8 muestra el diagrama
de influencia para este problema. El problema puede expresarse en funcin de un
rbol de decisin, como se ilustra en la figura 4-9. La parte superior del rbol
muestra el proceso de decisin si no se lleva a cabo el estudio; se trata del mismo
anlisis que se present en la tabla 4-15, con probabilidades de 0.3 y 0.7 para las
ventas altas y bajas, con beneficios esperados de -0.2 millones de dlares para la

Figura 4-8

Diagrama de influencia para el problema de introduccin de un producto nuevo

108

Parte II Anlisis de decisiones

Figura 4-9

rbol de decisin para el problema de introduccin de un producto nuevo

introduccin del producto y con una decisin indicada de no introducir el producto,


con beneficio de cero dlares.
La parte inferior del rbol, siguiendo la rama "Realizar estudio", muestra los
resultados posibles del estudio y las alternativas de decisin subsecuentes. Hay
que tomar una decisin acerca de la introduccin del producto despus de cada
uno de los tres resultados posibles del estudio. Si el producto se introduce, las
ventas sern altas, con beneficio de 3.8 millones de dlares, o bajas, con prdidas
de 2.2 millones de dlares. Observe que se ha incluido el costo del estudio
(0.2 millones de dlares) en las cantidades de beneficios y prdidas.

Determinacin de probabilidades
Para completar el anlisis de la figura 4-9 se requieren las probabilidades de los
distintos sucesos. Supongamos que el gerente de mercadotecnia estima que
las probabilidades son las de la tabla 4-16. Son probabilidades condicionales para
los diversos resultados del estudio dado el nivel potencial de ventas del producto.

Captulo 4 Toma de decisiones en condiciones de incertidumbre

Tabla 4-16

109

Probabilidades condicionales de los pronsticos del estudio, dadas las


ventas potenciales
Resultados del experimento
(pronstico del estudio)
El estudio pronostica el xito (E) (es decir, ventas altas)
El estudio no es concluyente (I)
El estudio pronostica el fracaso (F) (es decir, ventas bajas)

Nivel de ventas potenciales


Ventas altas (A)

Ventas bajas (B)

0.4
0.4
0.2
1.0

0.1
0.5
0.4
1.0

Por ejemplo, si el producto tiene alto potencial de ventas, el estudio pronostica


0.4 de probabilidad de xito, 0.2 de fracaso y 0.4 de probabilidad de que el estudio
no sea concluyente. Estas probabilidades reflejaran la experiencia anterior con
modelos de este tipo, quizs con modificaciones basadas en el juicio del gerente
de mercadotecnia.
Las probabilidades que se muestran en la tabla 4-16 expresan la confiabilidad
o precisin del experimento. El gerente de mercadotecnia, con base en estas
estimaciones, puede evaluar el valor econmico del estudio. No se podra otorgar
un valor especfico al hecho de realizar el estudio si no existen estas estimaciones
de la confiabilidad.
Las probabilidades condicionales de la tabla 4-16 no pueden usarse directamente en la figura 4-9. Se necesitan las probabilidades incondicionales de los
resultados de los sucesos (slo disponemos de las probabilidades del estudio
condicionadas por el nivel de ventas). Tambin seran necesarias las probabilidades condicionales de un nivel de ventas alto o bajo, dado un pronstico de
xito del estudio.
La tabla 4-17 es una tabla de probabilidades conjuntas, similar a las que se
usaron en el captulo 3. La parte superior de la tabla muestra los smbolos, mientras
que la parte inferior presenta los valores numricos equivalentes. En la columna
de la derecha estn las probabilidades originales que determin el gerente de
mercadotecnia: 0.3 de probabilidad de que el producto tenga ventas altas (A) y
0.7 de que sean bajas (B). A partir de estas probabilidades y con las probabilidades
condicionales de la tabla 4-16, pueden calcularse las probabilidades conjuntas de
la tabla 4-17. As, la probabilidad conjunta de un pronstico de "xito" del estudio
(E) y de un nivel de ventas alto (.4) se calcula multiplicando la probabilidad
condicional del pronstico de xito, dado un nivel de ventas alto (0.4, de la
Tabla 4-16), por la probabilidad del nivel de ventas alto:
P(EyA) = P(E\A)P(A) = (0.4)(0.3) = 0.12
En forma similar:
P(E yB) = P(E\B)P(B) = (0.1)(0.7) = 0.07
P(IyA) = P(I\A)P(A) = (0.4)(0.3) = 0.12
etctera.

110

Parte II Anlisis de decisiones

Tabla 4-17

Tabla de probabilidades conjuntas

Nivel de ventas potenciales


Alto (A)
Bajo (B)

Pronstico del estudio


xito (E)

Inconcluyente (I)

Fracaso (F)

P(EyA)

P(IyA)

P(Fy
A)

P(IyB)

P(FyB)

P(B)

P(F)

1.00

P(EyB)

Probabilidades marginales
del pronstico del estudio

Nivel de ventas potenciales

Probabilidades
marginales del
nivel de ventas
P(A)

P(E)

P{I)

Pronstico del estudio


xito (E)

Inconcluyente (I)

Fracaso (F)

Probabilidades
marginales del
nivel de ventas
0.30

Alto (A)

0.12

0.12

0.06

Bajo (B)

0.07

0.35

0.28

0.70

Probabilidades marginales
del pronstico del estudio

0.19

0.47

0.34

1.00

Las probabilidades marginales del nivel de ventas de la tabla 4-17 (columna de


la derecha) son iguales a la suma de las probabilidades conjuntas de cada fila.
Observe que son precisamente las probabilidades originales para las ventas altas
y bajas y se les designa probabilidades a priori, ya que se evaluaron antes de
obtener la informacin del estudio. Las probabilidades marginales de los pronsticos del estudio son iguales a la suma de las probabilidades conjuntas de cada
columna.
Para comprender la tabla 4-17 es conveniente pensar en que representa los
resultados de cien situaciones anteriores idnticas a la que se considera. Entonces,
las probabilidades representan la frecuencia de ocurrencia de los distintos resultados. Por ejemplo, en 30 de los 100 casos el nivel real de las ventas del producto
fue alto y, en estos 30 casos, el estudio pronostic 12 veces el xito [o sea, P{A y
E) = 0.12], no fue concluyeme en 12 ocasiones y pronostic el fracaso en seis de
los casos.
Las probabilidades marginales del pronstico del estudio, que se muestran en
la fila inferior de la tabla 4-17, pueden interpretarse entonces como la frecuencia
relativa de las veces que el estudio pronostic "xito", "inconcluyente" y "fracaso", respectivamente. Por ejemplo, el estudio pronostic "xito" 19 de 100 veces,
en 12 de las cuales las ventas reales fueron altas y en siete fueron bajas.

Captulo 4 Toma de decisiones en condiciones de incertidumbre

111

Estas probabilidades marginales del pronstico del estudio son importantes


para nuestro anlisis, ya que nos dan las probabilidades relacionadas con la
informacin que recibe el gerente de mercadotecnia antes de tomar la decisin de
introducir el producto. Las probabilidades marginales se registran junto a las
ramas correspondientes en la figura 4-10.
An falta calcular las probabilidades de las ramas denominadas "ventas altas"
y "ventas bajas", en la parte inferior de la figura 4-10. No se pueden usar los
valores de 0.3 y 0.7 para estos sucesos, como se hizo en la parte superior del rbol,
ya que esas probabilidades se calcularon independientemente de la realizacin del
estudio. El gerente de mercadotecnia recibe informacin de un estudio y las
probabilidades deben reflejar esa informacin. Las probabilidades requeridas son
las probabilidades condicionales de los distintos niveles de ventas dado el resultado del estudio. Por ejemplo, en la rama superior de la ruta "Realizar estudio" se
requiere P(A\E), la probabilidad de ventas altas (A) si el estudio pronostica el xito
(). Lo anterior se puede calcular directamente de la definicin de la probabilidad
condicional (vase Cap. 3), utilizando los datos de la tabla 4-17:

La probabilidad de ventas bajas con un pronstico de fracaso del estudio es:

Estas probabilidades se conocen como probabilidades a posteriori, ya que se


obtienen despus de incluir la informacin que se recibir del estudio. An no
se efecta el estudio, pero los clculos se basan en los resultados posibles. Para
comprender el significado de los clculos anteriores, piense una vez ms que la
tabla 4-17 representa 100 situaciones idnticas previas. Entonces, en 19 casos [ya
que P(E) = 0.19] el estudio pronostic el xito y, en 12 de estos 19 casos, se
obtuvieron realmente ventas altas. Por lo tanto, la probabilidad a posteriori de las
ventas altas es, como se calcul, 12/19 = 0.632.
Las probabilidades a posteriori de los pronsticos "inconcluyente" y "fracaso"
del estudio se pueden calcular en forma parecida:

Estos valores tambin se presentan en la figura 4-10.

112

Parte II Anlisis de decisiones

Figura 4-10

rbol de decisin completo

Ahora toda la informacin necesaria est disponible y se puede analizar la


figura 4-10, comenzando por la derecha y trabajando hacia atrs. Los valores
esperados se muestran en los crculos. Por ejemplo, siga las ramas "Se realiza
el estudio", "El estudio pronostica el xito" e "Introducir el producto"; el valor
esperado de 1.6 que se muestra en el crculo que aparece al final de estas ramas
se calcula como:
0.632 x 3.8 + 0.368 x (- 2.2) = 1.6
Por lo tanto, la empresa puede esperar beneficios de 1.6 millones de dlares si
introduce el producto despus de recibir un pronstico de xito del estudio. Como
esto es mejor que la prdida de 0.2 millones relacionada con no introducir el
producto, se decide introducir el producto y se marca la rama "No introducir
el producto" con el smbolo || para indicar que no es ptima.
Si el pronstico del estudio no es concluyente o es de fracaso, hay prdidas
esperadas de 0.67 y 1.14 millones de dlares, respectivamente (incluyendo los

Captulo 4 Toma de decisiones en condiciones de incertidumbre

Figura 4-11

113

Porcin reducida del rbol de decisin

costos del estudio). En estos casos lo mejor es no introducir el producto, por lo


que se marcan con || las ramas "Introducir el producto".
Ahora se reduce la parte del rbol de decisin que tiene que ver con la
realizacin del estudio, como se muestra en la figura 4-11. El valor esperado en
el nudo circular se calcula como sigue:
0.19 x 1.6 + 0.47 x (-0.2) + 0.34 x (-0.2) = 0.14
De esta manera, si el estudio se realiza y el director acta con base en la
informacin que recibe, los beneficios esperados son 0.14 millones de dlares.
Esto es mejor que el beneficio de cero que obtendra si no se lleva a cabo el estudio,
por lo que hay que tomar esta decisin. Observe que en este caso la decisin es
una estrategia que en realidad comprende dos decisiones: una ahora, de efectuar
el estudio, y otra posterior de introducir el producto si el estudio pronostica xito,
pero no introducirlo si el estudio pronostica otra cosa.

Valor de la informacin del estudio


En el ejemplo anterior, el estudio es una manera de obtener informacin adicional. La
informacin no es perfecta, ya que el estudio no puede determinar con preci-

114

Parte II Anlisis de decisiones


sin si las ventas sern altas o bajas. El beneficio neto al realizar el estudio fue
de 0.14 millones de dlares, lo cual inclua el costo del estudio (0.2 millones de
dlares); si sumamos esta cantidad, el valor esperado del estudio sera 0.14 + 0.2 =
0.34 millones de dlares. Esto lo podemos considerar como los beneficios esperados con un estudio gratuito. Por lo tanto, el valor de la informacin imperfecta
que se obtiene del estudio en esta situacin es 0.34 millones de dlares. Valdra
la pena efectuar el estudio mientras su costo no exceda esta cantidad.
Recuerde que en una seccin anterior de este captulo (pg. 105) se calcul que
el valor esperado de la informacin perfecta era de 1.2 millones de dlares. El
valor del estudio (informacin imperfecta) es considerablemente menor, lo que
refleja el hecho de que el estudio puede proporcionar informacin incorrecta o no
concluyente, como se indica en la tabla 4-16.
La toma de una muestra es una forma de obtener informacin. Esta informacin
es imperfecta, ya que es probable que la muestra no represente con exactitud la
poblacin de la cual se extrae. En el captulo 8 se analiza la confiabilidad de las
muestras y cmo se pueden incorporar al proceso de toma de decisiones.

RESUMEN

La teora de las decisiones implica la eleccin de un criterio de decisin (es decir,


un objetivo), como puede ser la maximizacin de beneficios. Si es posible, se lleva
a cabo un experimento. Luego, con base en los resultados del experimento, se
modifican las probabilidades a priori de los estados. Se calculan los beneficios
esperados de cada decisin posible y se escoge como accin ptima aquella que
tenga mayores beneficios esperados.
Antes de realizar un experimento, el decisor debe determinar si los beneficios
esperados correspondientes a la accin que se obtienen despus de recibir los
resultados del experimento, son mayores que el costo del experimento. Este
anlisis implica encontrar la regla ptima (que indica cul es la decisin que debe
tomarse como funcin del resultado del experimento) y evaluar los beneficios
esperados de acuerdo con esa regla.

Conclusin
En este captulo se ha visto el usode las probabilidades para tomar decisiones
empresariales en condiciones de incertidumbre. Se desarroll el criterio de maximizacin del valor monetario esperado y se estudi el concepto del valor de la
informacin. Tambin se presentaron los diagramas de influencia y los rboles
de decisin y sus aplicaciones, adems de ilustrar el valor de la informacin
imperfecta.
Las ideas que se presentaron en este captulo se ampliarn en captulos
posteriores. En el captulo 5 se estudiarn otros criterios de decisin posibles y se
profundizar en el anlisis de la utilidad. El captulo 6 abarca los problemas de
decisin en los cuales la incertidumbre se puede expresar como una distribucin
continua de probabilidad.

Captulo 4 Toma de decisiones en condiciones de incertidumbre

115

Bibliografa
Behn, R. D. y J. W. Vaupel, Quick Analysis for
Busy Decision Makers, Nueva York, Basic
Books, 1982. Brown, R. V., A. S. Kahr y C.
Peterson, Decisin
Analysis for the Manager, Nueva York, Holt, Rinehart & Winston, 1974. Bunn, D. W., Applied
Decision Analysis, Nueva
York, McGraw-Hill, 1984. Holloway, C,
Decision Making under Uncertainty:
Models and Choices, Englewood Cliffs, N.J.,
Prentice Hall, 1979. McNamee, P. y J. Celona,
Decision Analysis for the
Professional with Supertree, Redwood City, Calif., Scientific Press, 1987. Pratt, J. W., H. Raiffa
y R. Schlaifer, Introduction
to Statistical Decision Theory, Nueva York,
McGraw-Hill, 1965. Raiffa, H., Decision
Analysis, Reading, Mass., Addison-Wesley Publishing, 1968.

Schlaifer, R., Analysis of Decisions under Uncertainty, Nueva York, McGraw-Hill, 1969.
Spetzler, C. S. y C. A. Stael von Holstein, "Probability Encoding in Decision Analysis", Management Science, pgs. 340-358, noviembre de
1975.
Spurr, W. A. y C. P. Bonini, Statistical Analysis for
Business Decisions, edicin revisada, Homewood, 111., Richard D. Irwin, 1973.
SRI Decision Analysis Group, Readings in Decision Analysis, Menlo Park, Calif., Stanford Research Institute, 1976.
Vatter, P. A., S. P. Bradley, S. C. Frey, Jr., y B. Jackson, Quantitative Methods in Management: Text
and Cases, Homewood, 111., Richard D. Irwin,
1978.
Winkler, R. L., Introduction in Bayesian Inference
and Decision, Nueva York, Holt, Rinehart &
Winston, 1972.

Problemas con respuestas


4-1. Suponga que la siguiente tabla de valores
condicionales se aplica a una decisin:

a. Presente una tabla de valores monetarios


esperados y determine la accin ptima.
b. Presente una tabla de prdidas de oportunidad esperadas.
c. Calcule la tabla de valores condicionales
suponiendo que se dispone de un pronstico perfecto.
d. Calcule el valor esperado suponiendo que
se dispone de un pronstico perfecto.

e. Calcule el valor esperado de la informacin perfecta.


4-2. El vendedor de un puesto de peridicos asigna
las siguientes probabilidades a la demanda de
la revista Fine:

Los ejemplares se venden a 50 centavos y


cuestan 30 centavos.
a. Si el vendedor puede devolver los ejemplares que no se vendan y recuperar todo
su dinero, cuntos debe pedir?

116

Parte II Anlisis de decisiones

b. Si el vendedor no puede devolver los


ejemplares que no se vendan, cuntos de
be pedir?
c. Cul es el beneficio ptimo esperado en
(6)7
4-3. El fabricante de un tnico para el cabello
quiere producir un nuevo producto. Los beneficios incremntales son de 10 dlares por
unidad (sobre la base del valor neto actual) y
la inversin en equipo necesario es de 500
000 dlares. La estimacin de la demanda es
la que sigue:
Demanda
(unidades)
30 000
40 000
50 000
60 000
70 000

Probabilidad
0.05
0.10
0.20
0.30
0.35
1.00

a. Qu cantidad de nuevo producto debe


producir? Cul es el beneficio neto
esperado?
b. Cul es el valor esperado de la informa
cin perfecta?
c. Cmo cambiara el valor esperado de la
informacin perfecta si la probabilidad de
30 000 unidades fuera 0.10 y la probabilidad de 70 000 fuera 0.30?
4-4. Cooper Cola Company (CCC) debe decidir
cul de tres productos introducir, ya que
debido a la escasez de capital de trabajo slo
pueden introducir uno. El gerente de mercadotecnia elabor el rbol de decisin que se
presenta en la figura 4-12. Suponga usted que
es una representacin razonable del problema
de decisin de CCC y que la compaa est
dispuesta a usar el VME como criterio de decisin.
Cul es la estrategia ptima para CCC y
cules son los beneficios esperados de esta
estrategia?
4-5. Una compaa intenta decidir cul ser el
tamao de una planta que construir en Atlanta. La compaa no vende mucho actualmen-

te en los estados sureos; sin embargo, despus de concluir la planta de Atlanta se iniciar una campaa promocional de gran
magnitud. La gerencia tiene algunas dudas
con respecto al xito de esta campaa. Estiman que hay 0.4 de probabilidad de que la
compaa capte una cuota considerable de
mercado y una probabilidad de 0.6 de que se
obtenga slo una cuota moderada.
Se requiere una planta grande si se consigue una cuota considerable de mercado. Una
planta pequea bastar para el caso moderado. El costo de la planta grande es de ocho
millones de dlares; el costo de la planta pequea es de cinco millones de dlares.
Si logran obtener la cuota considerable de
mercado, el valor actual estimado de los beneficios que se obtendran (excluyendo el costo
de la planta) es de 13 millones de dlares; si la
cuota es moderada, el valor actual de los beneficios (una vez ms, sin incluir el costo de la
planta) es de ocho millones de dlares.
El gerente tiene otra alternativa: construir
una planta pequea, ver qu sucede como resultado de la campaa de promocin y luego
ampliar la planta, de ser conveniente. Costara
4.5 millones de dlares ampliar la planta
pequea para que tenga la capacidad de una
grande.
a. Elabore un rbol de decisin para este
problema.
b. Qu decisin debe tomar la compaa y
cul es el valor esperado?
4-6. Usted est a cargo del control de inventarios
en la compaa Volant. Usted piensa que hay
una probabilidad de 0.4 de que exista una recesin el prximo ao. Si se presenta la recesin, debe vender el modelo AE4 al precio de
oferta de un milln de dlares, ya que slo
podra obtener 800 000 dlares en un ao de
recesin. Estas cantidades se recibiran en un
ao. Sin embargo, el agente de compras de
una compaa le ha prometido comprar el modelo AE4 por 1.3 millones de dlares si no
hay recesin (cantidad pagadera dentro de un
ao). Despus de efectuar algunos clculos
preliminares, an no decide qu hacer con
respecto a las ventas y decide obtener pruebas
acerca de la probabilidad de que exista una
recesin el ao entrante. Usted descubre

Captulo 4 Toma de decisiones en condiciones de incertidumbre

Figura 4-12

117

rbol de decisin de CCC (problema 4-4)

que en fechas recientes ha aumentado la cantidad de cuentas incobrables. Despus de investigar un poco averigua que en ocho de las
ltimas diez recesiones el nmero de cuentas
incobrables comenz a aumentar aproximadamente un ao antes. Usted est dispuesto a
aceptar la cifra de 0.8 como estimacin de la
probabilidad de que aumenten las cuentas
incobrables supuesto que ocurra una rece-

sin dentro de un ao. Tambin, descubre


que en 10 aos normales seleccionados al
azar se presentaron aumentos en el nmero
de cuentas incobrables en tres ocasiones. Por
lo tanto, toma el valor de 0.3 como estimacin de:
P(aumento en cuentas incobrables | no hay
recesin el ao entrante)

118

Parte II Anlisis de decisiones

Si modifica sus probabilidades a priori como


se mostr en este captulo, qu hara con el
modelo AE4?
4-7. La probabilidad de obtener un 7 o un 11 con
un par de dados legtimos es 2/9. Si los dados
estn cargados de cierta manera, la probabilidad de un 7 o un 11 es 4/9. Un conocido le
pide que juegue a los dados con l. Si l lanza
un 7 o un 11, usted le paga tres dlares; de lo
contrario, l le paga a usted un dlar. Usted
tendra la ventaja en el juego si los dados
fueran legtimos, por lo que sospecha acerca
de esta persona. Especficamente, usted considera que hay 0.7 de probabilidad de que est
usando dados cargados con probabilidad de
4/9 para el 7 o el 11. Para que usted no tenga
sospechas, su oponente le permite lanzar dos
veces los dados; usted lo hace y no aparece ni
un 7 ni un 11 en los dos tiros.
Debe jugar a los dados con su conocido?
Muestre sus clculos.
4-8. Remtase al ejemplo del captulo, que se ilustra en la figura 4-9 y la tabla 4-16. Suponga
que la confiabilidad del estudio de mercado
se describe con las siguientes probabilidades
condicionales:

Pronstico
del estudio

xito
Inconcluyente
Fracaso

Nivel real
de ventas
Alto

Bajo

0.3
0.5
0.2
1.0

0.2
0.5
0.3
1.0

Suponiendo que no cambian los otros datos


del ejemplo, debe realizarse el estudio?
4-9. Remtase al ejemplo de este captulo, que se
muestra en la figura 4-10. Suponga que los
beneficios son los que se presentan en la tabla
4-15 y que las probabilidades condicionales
son las de la tabla 4-16. Pero suponga ahora
que las probabilidades a priori de la gerencia
son 0.5 para ventas altas y 0.5 para ventas
bajas.
a. Cul es la accin ptima antes de considerar el estudio? Cul es el valor espera
do de esta accin?
b. Cul es el valor esperado de la informacin del estudio?

Problemas
4-10. El anlisis y el pronstico de las ventas del
prximo mes dan como resultado la siguiente
distribucin de probabilidades:
Suceso:
Demanda
10 unidades
11 unidades
12 unidades

Probabilidad
0.10
0.70
0.20
1.00

Los beneficios por unidad son de cinco dlares y el costo del producto es de seis dlares. Si el producto no se vende en el mes

pierde su valor (las unidades sobrantes no valen nada).


a. Calcule las ventas esperadas (media) para
el mes.
b. Prepare una tabla de valores condicionales
para las distintas acciones posibles.
c. Prepare una tabla de valores monetarios
esperados e indique la accin ptima.
4-11. (Continuacin del problema 4-10)
a. Prepare una tabla de prdidas de oportunidad condicionales.
b. Prepare una tabla de prdidas de oportunidad esperadas.
c. Indique la accin ptima.
d. Clasifique las acciones. Muestre las diferencias entre las prdidas de oportunidad
esperadas de cada accin y las POE de la
accin ptima.

Captulo 4 Toma de decisiones en condiciones de incertidumbre


e. Clasifique las acciones utilizando los valores esperados. Muestre las diferencias entre
el VME de cada accin y el VME de la
accin ptima. Compare estos resultados
con los de (d).
4-12. Remtase al problema 4-10.
a. Presente la tabla de valores condicionales
suponiendo que se dispone de un pronstico perfecto.
b. Calcule el valor esperado suponiendo que
se dispone de un pronstico perfecto.
c. Calcule el valor esperado de la informacin perfecta.
4-13. Un fabricante de artculos deportivos tiene la
demanda y las probabilidades siguientes para
una gua anual de pesca:
Suceso: Probabilidad
Demanda del suceso
100 000

0.20

200 000
300 000
400 000
500 000

0.20
0.20
0.20
0.20
1.00

Los costos incremntales de produccin son


de cuatro dlares por millar; el precio de venta
es de cinco dlares por millar; y el valor de
recuperacin de las revistas que no se vendan
es cero.
a. El razonamiento del fabricante es el siguiente:
"Puesto que hay la misma probabilidad de
que la demanda sea mayor o menor que
300 000, producir la cantidad ms posible, 300 000". Est usted de acuerdo? Si
no lo est, por qu?
b. Cul es el valor esperado de un pronstico perfecto?
c. Demuestre que el VME de cada accin
ms la POE de cada accin es igual a los
beneficios esperados con un pronstico
perfecto.
4-14. Un inversor en bienes races es dueo de una
gasolinera que alquila a una compaa petrolera, a una tarifa de alquiler que se basa en

119

una cuota de los beneficios. Si la gasolinera


tiene xito, se estima que el valor actual del
alquiler futuro es de un milln de dlares; si
no tiene xito, el valor actual del alquiler futuro ser de 200 000 dlares. La compaa petrolera ofreci al inversor 600 000 dlares
para comprar la propiedad. Con base en el valor monetario esperado, qu probabilidad debe asignarse al "xito" para que al inversor le
sea indiferente vender o no vender?
4-15. Un mayorista de artculos deportivos tiene la
oportunidad de comprar 500 pares de esqus
que el gobierno declar como excedentes. El
mayorista pagara cinco dlares por par y podra obtener 10 dlares por cada par al venderlos a los minoristas. El precio est bien
establecido, pero el mayorista tiene dudas
acerca de la cantidad de pares que podr vender. Los esqus que sobren se pueden vender a
las tiendas de descuento a dos dlares el par.
Despus de estudiar con cuidado los datos
histricos, el mayorista asigna las siguientes
probabilidades a la demanda:
Demanda de
minoristas
1 000 pares
3 000 pares
5 000 pares

Probabilidad
0.60
0.30
0.10
1.00

a. Calcule el valor monetario


condicional de
los diversos niveles de demanda.
b. Calcule los valores monetarios esperados.
c. Calcule los beneficios esperados suponiendo que se dispone de un pronstico
perfecto.
d. Calcule el valor esperado de la informacin perfecta.
4-16. El dueo de una librera puede comprar
20 000 sobrantes de una editorial a 50 centavos
el ejemplar. l espera vender cada ejemplar a
dos dlares si se anuncia en un peridico de
distribucin nacional. Los libros sobrantes
pueden venderse a 20 centavos el ejemplar a
otros minoristas. Su estimacin de la demanda
es:

120

Parte II Anlisis de decisiones


Probabilidad
Necesidad
Demanda

Probabilidad

de la demanda

5000

0.10

10 000
20 000

0.50
0.40
1.00

El costo de la publicidad es de 12 000 dlares y los


costos incremntales del envo de los libros que se
venden es de 25 centavos por ejemplar.
a. Debe comprar los libros?
b. Cules son los beneficios esperados si se
dispone de un pronstico perfecto?
c. Cul es la cantidad mxima que debe pagar el librero por la informacin perfecta?
4-17. Cuando se construye un nuevo centro comercial, la compaa de electricidad debe asignar
un transformador al lugar. Puesto que esta actividad se realiza antes de que se sepa quines ocuparn el centro comercial, hay
incertidumbre acerca de la cantidad de electricidad que se usar (por ejemplo, los salones
de belleza utilizan mucha ms electricidad
que las tiendas de juguetes) y, por lo tanto,
hay incertidumbre acerca del tamao del
transformador que se necesitar. Si el transformador es demasiado pequeo, tendr que
reemplazarse, y si es demasiado grande los
gastos sern mayores que los realmente necesarios. A continuacin se presenta una tabla
que muestra estos costos:

Poca
Media
Mucha

0.2
0.7
0.1
1.0

a. Elabore la tabla de prdida de oportunidad.


b. Qu decisin debe tomarse? Por qu?
c. Cul es el valor esperado de la informa
cin perfecta?
4-18. Artex Computers ha recibido un contrato para
fabricar dos sistemas de computacin X-60
para una universidad japonesa. El contrato
establece que Artex recibir 150 millones de
yenes dentro de seis meses, al entregar los
computadores. La tasa de cambio actual es de
150 yenes por dlar; sin embargo, hay ciertas
preocupaciones en los mercados financieros
acerca del valor del yen en el futuro. Esta situacin se refleja en el mercado de divisas a
futuro, en donde se pueden comprar o vender
yenes "adelantados" seis meses a una tasa de
155 yenes por dlar. Especficamente, Artex
puede vender "barato" los 150 millones de
yenes y recibir ahora 967 000 dlares. El
tesorero de Artex ha asignado las siguientes
probabilidades a la tasa de cambio del yen
dentro de seis meses:

Tasa de cambio
(yenes por dlar) Probabilidad
Tamao del transformador
instalado originalmente
Cantidad de electricidad
Pequeo Mediano Grande
realmente necesaria
50
150
100
Poca
140
150
100
Media
190
150
190
Mucha

Suponga que, para un centro comercial


cualquiera, se asignan las siguientes probabilidades a la cantidad de electricidad realmente
necesaria:

140

0.1

150
160
170

0.6
0.2
0.1
1.0

a. Suponiendo que Artex est dispuesta a


usar el VME como criterio de decisin,
debe vender los yenes ahora o esperar a
que se reciba el pago dentro de seis meses?
b. Sera el VME un criterio razonable para
este problema?

Captulo 4 loma de decisiones en condiciones de incertidumbre


4-19. Una compaa es duea de un contrato que le
permite explorar una propiedad en busca de
petrleo. La compaa puede vender el contrato por 15 000 dlares o perforar para extraer el petrleo. A continuacin se presentan
los cuatro resultados posibles de la perforacin, as como las probabilidades de ocurrencia y las consecuencias monetarias:
Resultado posible
Pozo seco
Pozo slo con gas
Combinacin de gas
y petrleo
Pozo petrolero

121

res por el alquiler; sin embargo, a la fuerza


de trabajo de esta planta se le pagara salario
regular y podra producir un mximo de 20
000 cajas anuales.
La compaa estima que la demanda adicional (por encima de o que puede producir en
su planta actual con tiempo regular) puede tomar los siguientes valores, con sus probabilidades correspondientes:

Probabilidad Consecuencias
0.16
0.40

-$100 000
50 000

0.24
0.20

100 000
200 000

Elabore un rbol de decisin para este problema y calcule el valor monetario esperado para la accin "perforar". La compaa debe
perforar o vender el contrato?
4-20. La compaa de promociones ABC tiene la
oportunidad de llevar a cabo una competencia
atltica muy lucrativa. Sin embargo, el encuentro no puede realizarse si llueve. De
realizarse el juego, la empresa obtendr beneficios netos de dos millones de dlares, pero
si llueve perder un milln de dlares de su
propio dinero (no es una prdida de oportunidad). La probabilidad de lluvia es de 0.2. La
empresa quiere saber si debe comprar un seguro contra lluvia.
Elabore un rbol de decisin. Cunto podra pagar la empresa por un seguro para cubrir la prdida de un milln de dlares y no
quedar en una situacin peor, desde el punto
de vista del valor esperado, que si no hubiera
comprado el seguro? Debe comprar el seguro a ese precio?
4-21. Una compaa de produccin de plsticos necesita ampliar su capacidad productiva, lo
cual puede hacer de dos maneras: utilizar
tiempo extra en su planta actual o alquilar otra
planta. El tiempo extra cuesta por caja de
producto tres dlares ms que el tiempo regular y slo puede aplicarse a un mximo de
15 000 cajas por ao. El alquiler de otra planta
implica un costo fijo anual de 25 000 dla-

Demanda adicional
(cajas por ao)
5000
10 000
15 000

Probabilidad
0.3
0.5
0.2

a. Elabore un rbol de decisin para este problema y encuentre la decisin ptima para
minimizar los costos esperados.
b. Suponga que una compaa de investiga
cin de mercados ofrece realizar un estudio para determinar la cantidad exacta de
la demanda adicional. Debera pagar la
compaa mil dlares por este estudio perfecto? Por qu? Cul es la prdida de
oportunidad esperada (POE) de la mejor
decisin en ()?
4-22. La compaa QPC decide acerca de poner a la
venta el producto A o el producto B. La decisin depende de la rapidez con la cual los
distribuidores acepten el producto y el tipo de
estrategia de mercadotecnia (promocin o
publicidad) que emplee QPC. La compaa ha
elaborado un diagrama de su problema de
decisin, el cual se muestra en la figura 4-13.
Los flujos de efectivo relacionados con las
decisiones y sucesos se presentan al final de
las ramas del rbol. Suponga que QPC est
dispuesta a usar el VME para tomar esta
decisin.
a. Cul es la estrategia ptima para QPC y
cul es el flujo de efectivo esperado para
esta estrategia?
b. Suponga que QPC tiene que tomar una de
cisin acerca de la estrategia de mercadotecnia (promocin o publicidad) antes de
saber acerca de la rapidez de aceptacin

Parte II Anlisis de decisiones


Figura 4-13

rbol de decisin QPC (problema 4-22)

Captulo 4 Toma de decisiones en condiciones de incertidumbre


de los distribuidores. Tendra esto alguna
importancia y se reducira el flujo de efectivo ptimo esperado? Por qu? Responda sin dibujar de nuevo el rbol.
4-23. Un fabricante de cmaras fotogrficas produce dos modelos (el normal y el de lujo). Al
hacer los preparativos para la temporada navidea, en la cual crecen las ventas, hay que
decidir cules sern los volmenes de produccin. El costo variable de la cmara normal es de 10 dlares y su precio de venta es
de 20 dlares; el costo variable del modelo
de lujo es de 20 dlares y se vende a 35 dlares. La estimacin de la demanda es la siguiente:

Las cmaras que no se vendan durante la


temporada navidea se venden a precio de desecho de cinco dlares para el modelo normal y
diez dlares para el modelo de lujo. El fabricante cree que sern distintos segmentos del
mercado los que compren los dos modelos; por
lo tanto, las probabilidades de ventas que se
mencionaron son independientes.
Suponga que la capacidad de produccin es
ilimitada; entonces, se pueden tomar las dos
decisiones en forma independiente. Cules son
las cantidades ptimas de produc-

123

cin para cada modelo? Cules son los


VME ptimos?
4-24. (Continuacin del problema 4-23)
Suponga ahora que, por restricciones en la
capacidad, la produccin total se limita a 10
000 cmaras. Elabore un rbol de decisin
para esta situacin y analcelo para determinar las cantidades ptimas de produccin.
Cul es el VME de la accin ptima?
4-25. (Continuacin del problema 4-23)
Suponga ahora que la produccin est limitada a 10 000 cmaras pero el fabricante cree
que las probabilidades de las demandas de
los dos modelos ya no son independientes.
Especficamente, las probabilidades de las demandas son las que se describen en la tabla
anexa de probabilidades conjuntas.
Elabore un rbol de decisin para esta situacin y encuentre la accin ptima y su VME.
4-26. La compaa Oxenol utiliza gas natural en
sus operaciones de produccin y procesamiento. Algunas compaas vecinas en el estado de Nueva York han perforado pozos de
gas con xito en sus propiedades, por lo que
Oxenol piensa seguir sus pasos. El gasto inicial correspondera a la perforacin, la cual
costara 40 000 dlares. Si encuentran gas,
tendran que gastar otros 30 000 dlares para
captar las salidas del pozo y proveer la infraestructura y el equipo de control necesarios. Dado el precio actual del gas, el valor
del pozo sera de 150 000 dlares si tuviera
xito; sin embargo, si el precio del gas aumenta al doble de su valor actual, un pozo
exitoso valdra 300 000 dlares. La compaa
considera que su probabilidad de encontrar

Tabla de probabilidades conjuntas (problema 4-25)

124

Parte II Anlisis de decisiones

gas es de un 30%; tambin opina que hay una


probabilidad del 50% de que se duplique el
precio del gas.
a. Elabore un rbol de decisin para este pro
blema, indicando las probabilidades y los
valores.
b. Complete el rbol calculando los VME.
Qu debe hacer la compaa?
4-27. Usted debe apostar al lanzamiento de una moneda de caractersticas fsicas desconocidas;
una mquina lanza la moneda y usted tiene
que decidir si apuesta a cara o cruz. Suponga
que los pagos sern los que se indican en la
tabla:

Resultado real
Cara
Cruz

Usted apuesta a:
Cara
Cruz
+ 100
-400

-100
+ 100

Su juicio a priori indica que posiblemente


exista un 50% de probabilidad de que la moneda sea legtima (es decir, la probabilidad
que caiga cara es 0.5 y la probabilidad de que
sea cruz tambin es 0.5); adems, usted cree
que hay un cuarto de probabilidad de que la
moneda tenga dos caras (no puede salir cruz);
y, por ltimo, piensa que hay un cuarto de
probabilidad de que la moneda tenga dos cruces (no puede salir cara).
Se le da la oportunidad de efectuar un experimento antes de apostar, con dos lanzamientos de la moneda. Despus de observar
los resultados se le exigir que apueste a cara
o cruz en el siguiente lanzamiento.
a. Suponga que en los dos lanzamientos experimentales cay cara. Qu decisin tomara (o sea, a qu apostara en el
siguiente lanzamiento)? Cul es el beneficio esperado?
b. Suponga que en los dos lanzamientos ex
perimentales cayeron una cara y una cruz.
Cul sera su decisin? Cul es el beneficio esperado?
c. Suponga que cayeron dos cruces. Cul se
ra su decisin? Cul es el beneficio esperado?

d. Suponga que tiene la opcin de jugar o no


jugar (antes de efectuar los lanzamientos
experimentales). Jugara? Cul sera el
beneficio esperado de jugar?
4-28. La compaa musical UVW fabrica cajas de
msica para diversos juguetes y productos.
UVW garantiza sus cajas musicales contra
desperfectos en un periodo de un ao.
El gerente de ventas est preocupado por la
cantidad de cajas musicales que han devuelto
bajo garanta y piensa que si el nmero de
cajas musicales con defectos es grande puede
daarse la imagen de calidad de producto que
UVW trata de lograr. Al revisar las cifras
detect que aproximadamente un 5% de las
cajas en un ao eran devueltas para reparacin.
El gerente de produccin afirm que en casi
todos los casos el problema se deba a una
avera en un mecanismo de resorte fundamental. UVW tena problemas para conseguir un
resorte que fuera plenamente satisfactorio; sin
embargo, exista una aleacin especial que podra usarse en el resorte y que garantizara una
escasa cantidad de defectos. Un resorte fabricado en la aleacin especial costara dos dlares, en comparacin con los 20 centavos del
resorte que se usa actualmente. El gerente de
produccin no consideraba que la presencia
de un defecto en 20 cajas mereciera el uso de
una parte 10 veces ms costosa.
El gerente de produccin agreg que se
usaba un resorte de aleacin especial en las
cajas musicales que se devolvan para reparacin por causa de un resorte roto; por lo tanto,
era muy poco probable que ocurriera una
segunda avera. Adems, el costo de manejo y
reparacin de una caja musical con resorte
roto era de 13 dlares ms dos dlares por el
resorte de aleacin especial.
El gerente de ventas plante que debera
usarse el resorte de aleacin especial en cada
una de las cajas de msica. l pensaba que,
adems del costo directo de la reparacin de
la caja, se presentaba un costo de mala voluntad de unos cinco dlares cada vez que fallaba
la caja de msica de un cliente.
La decisin no era trivial, ya que UVW haba estimado vender 20 000 cajas musicales
en el prximo ao.

Captulo 4 Toma de decisiones en condiciones de incertidumbre


a. Qu alternativa debe elegir UVW?
b. Cul es el VEIP?
4-29. Remtase al problema 4-28. El jefe de ingenieros propone una alternativa. Un fabricante
de instrumentos le ha propuesto usar un dispositivo de prueba que permite medir la resistencia de los resortes que se usan actualmente
y determinar si son "dbiles" o "fuertes". Se
introdujo un programa experimental en el cual
se clasificaron 100 resortes como fuertes o
dbiles y luego se colocaron en las cajas
musicales de UVW. Despus, las cajas se
sometieron a un proceso diseado para simular
aproximadamente un ao de uso. Los
resultados fueron:
Resultados de la prueba de 100 resortes

El gerente de produccin no pens que la


prueba fuera de utilidad, ya que observ que
se rechazaban cuatro resortes buenos por cada
malo que se detectaba. Adems, la prueba no
eliminaba todos los resortes defectuosos.
El jefe de ingenieros opin que la prueba
sera econmicamente factible. Indic que el
costo del equipo y los dems costos asociados
con el dispositivo de prueba seran de unos
4000 dlares para el ao siguiente.
El gerente de ventas prefera an usar slo
resortes de aleacin especial, pero aceptara la
prueba ya que reducira casi al 1 % el nmero
de defectos.
Debera obtener UVW el dispositivo de
prueba y usarlo para revisar los resortes?
Recomendacin: Hay que probar cinco resortes para encontrar cuatro "fuertes"; por lo
tanto, el costo de un resorte "fuerte" segn la
prueba es 5/4 20 = 25.
4-30. Un editor evala el original de un libro escri- to por un profesor joven y desconocido. El
editor quiere enviar el manuscrito para que lo
revise un equipo de profesores reconocidos

125

de otras universidades. La experiencia histrica que se obtiene al comparar la evaluacin de


los revisores con el xito o fracaso real es la
que sigue:

Si el libro resulta un xito, los beneficios


para el editor sern de 50 000 dlares; si fracasa, el editor perder 15 000. Cuesta dos mil
dlares enviar el manuscrito al equipo de
revisin.
a. Cul es la probabilidad a priori (antes de la
revisin) de que el manuscrito tenga xito?
b. Elabore un rbol de decisin para este problema. Incluya los valores y probabilidades apropiados. Cul es la estrategia
ptima para el editor? Recomendacin:
No es obligatorio que el editor mande el
manuscrito a revisin.
4-31. Remtase al problema 4-19. Suponga que puede efectuarse una prueba que cuesta 5000 dlares para determinar el tipo de formacin
subterrnea (tipo I, II o III). La formacin
subterrnea se relaciona con el tipo de pozo,
pero la relacin es imperfecta; de 25 pozos
seleccionados al azar de lugares cercanos a
nuestro pozo se obtuvo la siguiente tabla que
ilustra las ocurrencias histricas del tipo de
pozo y la formacin subterrnea.
Ocurrencias histricas (25 pozos)

126

Parte II Anlisis de decisiones

Si la prueba se realiza y despus decide no


perforar, ya no podr vender el contrato por
15 000 dlares; los compradores posibles llegaran a la conclusin de que si usted no perfor, tampoco lo haran ellos, por lo que el
contrato no valdr nada despus del resultado
"prueba sin perforacin".
Elabore un rbol de decisin para este problema. Debe vender el contrato sin probar,
perforar sin probar o probar? Si decide probar, en qu condiciones perforara? Cul es
el VME mximo?
4-32. Una compaa de gran tamao puede satisfacer sus necesidades de combustible con un
contrato anual o una serie de contratos mensuales durante el invierno. El costo del contrato anual es de 80 centavos por litro. Si el
ao es "normal", el costo medio del litro de
combustible en los contratos mensuales ser
de 75 centavos, pero si es un ao de "escasez" de combustible, el costo medio de los
contratos mensuales ser de 95 centavos por
litro. La compaa usar 100 000 litros de
combustible en el ao y el director estima
que la probabilidad de escasez es de Vio.
El gerente puede gastar 500 dlares para
obtener un pronstico econmico profesional
con el fin de saber si el ao ser normal o de
escasez. A continuacin se exhiben los datos
de los pronsticos anteriores y la ocurrencia
real en los ltimos 20 aos.
Elabore un rbol de decisin para este problema. Debe comprarse el pronstico? Cul
es el costo monetario mnimo esperado?

ltimos 20 aos

4-33. El gerente de tarjetas de crdito de un banco


comercial debe aprobar o rechazar las solicitudes de la tarjeta de crdito del banco. Actualmente utiliza un procedimiento de
"calificacin" en el cual se pondera, con base
en valores numricos determinados, una serie
de caractersticas que aparecen en la solicitud
de tarjeta de crdito del individuo. Con base
en la calificacin ponderada total, el individuo se clasifica como "bueno" o "malo"
si la calificacin es menor o mayor que un valor establecido.
En fechas recientes el gerente ha considerado una alternativa para el procedimiento, en
la cual se rechazara la solicitud si la calificacin fuera menor que un nuevo "lmite inferior", se aceptara si fuera mayor que un
nuevo "lmite superior", y se investigara ms
a fondo si cayera entre los dos lmites. La
"investigacin a fondo" comprende una
investigacin de crdito detallada, que cuesta
50 dlares cada una. En las tablas adjuntas se
muestran los datos disponibles. Los grupos

Sistema actual (resultados de 1000 solicitantes) (problema 4-33)

* No se puede determinar el cumplimiento real de los solicitantes rechazados.

Captulo 4 Toma de decisiones en condiciones de incertidumbre

127

Sistema propuesto (resultados esperados para 1000 solicitantes) (problema 4-33)

" No se puede determinar el cumplimiento real de los solicitantes rechazados.

"muy bueno" y "muy malo" se determinan slo con base en la calificacin; los otros dos
grupos se definen despus de la revisin de la
oficina de crdito.
El banco ha determinado que el valor actual
de los beneficios futuros de un solicitante que
"paga" es de 400 dlares, mientras que el
valor actual de las prdidas ocasionadas por
un solicitante que "no paga" es de -200
dlares.

a. Con base en la informacin anterior, es


mejor el sistema propuesto que el actual?
Por qu? Cul es el VME mximo, en
funcin de valor actual, para 1000 soli
citantes?
b. Qu informacin adicional le gustara te
ner para mejorar el sistema actual descri
to? Cmo podra obtener esta
informacin en la vida real?

Problemas ms difciles
4-34. Durante varios aos, Wheeling Steel Corporation ha tenido una poltica PMP (precio al
momento del pedido). Una empresa poda pedir acero para entrega futura y pagar el precio
vigente en el momento de hacer el pedido, no
en el momento de la entrega. Comente acerca
de esta poltica de precios.
4-35. Football Concessions posea la franquicia para
vender helado, refrescos, salchichas y otros
productos durante los encuentros locales de
ftbol de Wombat University. Era un negocio
rentable, ya que se poda estimar con bastante
precisin la cantidad de aficionados

que acudiran al estadio y la cantidad de comida que compraran.


Sin embargo, un fin de semana de noviembre, cuando Wombat tena que jugar con su
eterno rival, Carbunkle University, presentaba un problema especial para el concesionario. Ambos equipos estaban invictos y lo ms
probable era que el ganador pudiera jugar en
el campeonato. Las ventas anticipadas de los
boletos indicaban que, si el clima era bueno,
se poda esperar una multitud de ms de
80 000 personas. Por otra parte, el viernes llova y el pronstico meteorolgico indicaba la

128

Parte II Anlisis de decisiones


posibilidad de lluvia el sbado, el da del juego. Si la lluvia era intensa, era posible que slo acudieran al juego 20 000 personas.
El concesionario tena que pedir su comida
el viernes. Por lo general efectuaba su pedido
sobre la base de 50 centavos por persona, lo
cual haba sido bastante preciso en ocasiones
anteriores. Su margen de beneficio era del
100% (es decir, el precio de venta era el doble
del precio de compra). Por lo general poda
recuperar un 20% del valor (costo) de lo que
sobrara.
El concesionario asign las siguientes probabilidades a los distintos nmeros de espectadores. En trminos generales crea que
mejorara el clima y acudira una gran multitud, o bien que llovera y seran pocas las
personas presentes. Lo menos probable,
pensaba, era un nmero medio.
Nmero de
espectadores
20 000
40 000
60 000
80 000

4-36.

Probabilidad
0.30
0.20
0.10
0.40
1.00

Cunta comida debe pedir el concesionario?


Pocatello Potato Products (PPP) compra patatas frescas y las procesa para producir patatas
fritas congeladas y otros productos. PPP compra sus patatas en dos formas: por medio de
un contrato de pretemporada y en el mercado
libre. En el contrato de pretemporada, el cual
se establece antes de plantar las patatas, el
procesador (PPP) est de acuerdo en comprar
la cosecha del granjero a un precio acordado
por quintal de patatas. El precio de contrato
de pretemporada actual es de cuatro dlares
por quintal. Por otra parte, PPP puede esperar
hasta que se hayan cosechado las patatas y
comprar las cantidades que necesita en el
mercado libre, al precio existente. El precio
de las patatas en el mercado libre ha variado
considerablemente en los ltimos aos, entre
dos y ocho dlares por quintal. En ocasiones

anteriores PPP ha comprado la mitad de sus


patatas con contratos de pretemporada y la
otra mitad en el mercado libre.
El presidente de PPP no sabe si la decisin
anterior es la correcta. Piensa que el precio de
cuatro dlares del contrato de pretemporada
es demasiado alto y que hay % de probabilidad de que el precio de mercado sea menor o
igual que cuatro dlares. Es ms, ha evaluado
cuidadosamente la distribucin de probabilidades de los posibles precios de las patatas
en el mercado libre:
Precio en el
mercado libre
($ por quintal)
$2.50
3.00
3.50
4.00
4.50
5.00
5.50
6.00
6.50
7.00

Probabilidad
0.02
0.10
0.40
0.20
0.12
0.06
0.04
0.03
0.02
0.01
1.00

Debido a otras necesidades, (como espacio


de almacenamiento), PPP no quiere que
menos del 30% ni ms del 70% de sus necesidades se obtengan con contratos de pretemporada. El prximo ao PPP necesitar dos
millones de quintales de patatas para procesamiento. Suponiendo que PPP quiere minimizar el costo esperado de las compras de
patatas, cunto deben comprar con contrato
de pretemporada? qu recomendara al presidente de PPP?
4-37. Una compaa de productos qumicos construye una planta para la produccin de Agrixon, una sustancia qumica que se usa
principalmente en la agricultura. La empresa no est segura de la demanda de Agrixon
en el primer ao de ventas; sin embargo, se
evalu la siguiente distribucin de probabilidades:

Captulo 4 Toma de decisiones en condiciones de incertidumbre

Agrixon se produce en una mquina especial que genera 200 kilogramos por ao. El
costo fijo de compra y operacin de una mquina es de 560 000 dlares anuales, lo cual
incluye supervisin, mantenimiento y otros
costos fijos, ms el inters anualizado y los
costos de equipo. Suponga que los beneficios
de la produccin anual de una mquina (sin
incluir los costos fijos) son de 1.3 millones de
dlares, si la demanda es suficiente para
operar la mquina todo el ao.
El problema que tiene la compaa de productos qumicos es determinar cuntas mquinas debe instalar en la planta para el primer
ao. Los aos siguientes no representan ningn problema, ya que la compaa podr
comprar mquinas adicionales si lo requiere y
absorber la capacidad no utilizada en los aos
anteriores, conforme crezcan las ventas.
Cuntas mquinas debe instalar la empresa para maximizar el beneficio neto esperado
en el primer ao?
4-38. La compaa electrnica Little ha presentado
una querella legal contra Artex Computers,
por prcticas comerciales injustas y monopolistas; Little pide una compensacin de 10 millones de dlares por daos. El cuatro de
noviembre, la compaa recibe una oferta de
Artex para arreglar la disputa por medio de un
pago de 3.5 millones de dlares a Little.
La direccin de Little quiere decidir si
acepta el arreglo o contina con la querella.
Los abogados estn de acuerdo en que la probabilidad de que gane Little es de 2/3. Sin
embargo, sealan que, incluso si ganan, slo
hay un 50% de probabilidad de que el juez
otorgue los 10 millones de dlares; existe la
misma probabilidad de que otorgue una compensacin parcial de cinco millones de dla-

129

res. Los abogados tambin han estimado que


costar alrededor de 200 000 dlares en honorarios legales entre noviembre y junio (cuando se efectuar la audiencia del caso), ms
otros 100 000 dlares en honorarios para tratar el caso (unos tres meses).
Cuando Artex ofreci el arreglo de 3.5 millones de dlares, subray que se trataba de
una "oferta final" y que slo estara vigente
30 das. Sin embargo, la direccin y los abogados de Little estn de acuerdo en que tal
vez Artex haga una nueva oferta en junio, antes de que comience el juicio. Despus de
pensarlo con cuidado, deciden que una buena
estimacin de la probabilidad de la nueva
oferta de Artex en junio es de 0.60 y, si hay
una nueva oferta, la probabilidad de que el
arreglo sea por 4.5 millones de dlares es de
0.7, y de 0.3 la probabilidad de que sea por
5.5 millones.
Si Artex no presenta una oferta de ltimo
minuto en junio, Little puede iniciar un arreglo. En este caso Little se tendr que conformar con 2.5 millones de dlares, ya que Artex
interpretara la accin como una debilidad en
el caso de Little.
Elabore el diagrama del problema de decisin de Little. Suponiendo que la compaa
est dispuesta a usar el VME para tomar esta
decisin, qu estrategia deben usar?
4-39. A principios de enero, los laboratorios Etta recibieron un pedido de 10 000 mililitros de un
producto nuevo, calbonita, ingrediente que se
usa para fabricar una nueva variedad de medicamentos. ste ha sido, por mucho, el pedido
de calbonita ms grande que han recibido, ya
que la produccin total del ao anterior fue de
slo 1200 mililitros. El pedido indica que
deben entregarse 5000 mililitros en junio y lo
dems en noviembre.
El proceso que usan para sintetizar la calbonita es lento, ya que implica procesar lotes pequeos de materia prima en varias etapas. La
compaa tendra que invertir 50 000 dlares
en equipo nuevo para alcanzar el nivel de produccin de 1000 mililitros mensuales que se
necesitan para satisfacer el pedido (requieren
todo el mes de enero para pedir e instalar el
equipo). El costo variable de manufactura de
un mililitro con este proceso es de 15 dlares.

130

Parte II Anlisis de decisiones

Uno de los investigadores qumicos de Etta


acaba de descubrir un nuevo proceso para la
sntesis de calbonita. Si pudiera lograrse que
el proceso operara a gran escala, el proceso de
produccin sera mucho ms sencillo y los
ahorros en costo seran considerables. En una
situacin ordinaria se probara rigurosamente
durante un ao el nuevo proceso en el laboratorio y en un pequea planta piloto, para asegurar que funcionara bien y para estimar los
costos de produccin. Sin embargo, por los
posibles ahorros, la direccin se pregunta si
debera reducir el periodo de pruebas. El departamento de ingeniera propuso un programa urgente de pruebas con duracin de cinco
meses, al trmino del cual se sabra si el proceso funciona o no y se determinaran los costos de produccin. Esta prueba costara 20
000 dlares ms que la prueba normal.
Se estima que hay 0.9 de probabilidad de
que el nuevo proceso funcione. As mismo, si
el proceso funciona, hay un 40% de probabilidad de que el costo de produccin sea de
dos dlares por mililitro, un 40% de que sea
diez dlares por mililitro y un 20% de que sea
18 dlares por mililitro.
Si en este momento se tomara la decisin
de usar el proceso nuevo, se usara el mes de
junio para instalar el proceso de manufactura.
As, de usar el programa de prueba, la compaa tendra que configurar y procesar los primeros 5000 mililitros con el proceso anterior.
Observe tambin que slo se cargaran a la
nueva alternativa los costos de prueba incremntales del programa urgente. La compaa
probara y comprara el equipo para el nuevo
proceso si las pruebas fueran exitosas, independientemente de la decisin que se tome
ahora, por lo que no es necesario considerar
los costos relacionados con estas actividades.
a. Elabore un rbol de decisin para este
problema.
b. Qu decisiones deben tomarse? Cul es
el costo esperado del cumplimiento del
pedido?
4-40. Mara intenta decidir qu hacer con un edificio de apartamentos que hered de su bisabuela. Si lo vendiera ahora podra obtener 100
000 dlares. Sin embargo, Mara no necesita el
dinero en este momento, por lo que

piensa conservar la propiedad y venderla


despus.
Suponga que Mara puede vender el edificio ahora, al final del ao entrante (ao 1)
o al final del siguiente (ao 2). Ha decidido que no conservar el edificio ms de
dos aos.
Mara recibira 5000 dlares en alquiler (en
realidad, alquiler menos costos de operacin)
por cada ao que conserve el edificio. Mara
acude a los expertos en bienes races de la localidad y determina las probabilidades siguientes con respecto a los aumentos o
reducciones en el valor de la propiedad: En
cada uno de los aos (ao 1 y ao 2) hay un
20% de probabilidad de que aumente 10 000
dlares el valor del edificio y un 80% de que
su valor se reduzca en la misma cantidad (la
situacin no es muy estable en la ciudad).
stas son las probabilidades globales de cada
ao.
Sin embargo, lo que suceda en el primero y
el segundo aos no es independiente; Mara
cree que si el valor aumenta en el primer ao,
entonces hay un 60% de probabilidad de que
tambin aumente en el segundo. Por supuesto,
si el valor disminuye en el primer ao, se
presentarn cambios correspondientes en las
probabilidades del segundo, sujetas a las
probabilidades globales que se mencionaron
antes.
A primera vista, Mara decide considerar
slo la cantidad que recibira de vender el edificio (incluyendo los aumentos o reducciones
en el valor, si llegara a ocurrir) ms la cantidad que recibe por el alquiler (no se preocupe
por depreciaciones, impuestos y otras
complicaciones).
a. Elabore un diagrama para el problema de
decisin de Mara. Incluya los valores de
los beneficios al final del rbol y los valores de las probabilidades, donde sea conveniente.
b. Qu decisiones debe tomar Mara?
c. (Opcional) Suponga una tasa de descuento
del 15%. Qu decisin debe tomar Mara? Si la tasa de descuento es del 15%,
los flujos de efectivo que se reciben al trmino del ao 1 valen '/lis = 0.87 dlares
a valor actual; los flujos de efectivo que

Captulo 4 Toma de decisiones en condiciones de incertidumbre


se reciben al trmino del ao 2 valen 0.76
dlares actuales.
4-41. En el ejemplo de las pginas 101-111 se us
una situacin tpica de los gerentes. Qu dificultades existen al aplicar el modelo a una
situacin empresarial normal?
4-42. Artex Computers va a comprar 10 000 unidades de una pieza que debe incorporar a los
productos de la compaa. El pedido se har
al proveedor que ofrezca la cotizacin ms
baja y que entregue mil unidades por mes en
los prximos 10 meses.
Frank Machine Shop (FMS) quiere concursar para obtener este pedido. Hay dos factores que intrigan al seor Frank en su intento
por establecer el precio. El primero tiene que
ver con la probabilidad que tiene FMS de ganar. El seor Frank decide considerar slo
dos propuestas: 12 dlares por unidad o 13
dlares por unidad. l estima que tiene 2/3 de
probabilidad de ganar con el primer precio y
1
/3 de ganar con el segundo.
El segundo factor de la decisin es el costo
de manufactura unitario para FMS. Hay dos
procesos de produccin disponibles. El primero, el proceso A, cuesta 10 dlares por unidad; el segundo, el proceso B, nunca se ha
usado en FMS. El jefe de supervisores dice
que hay un cuarto de probabilidad de que el
costo unitario sea de nueve dlares; un medio de que sea de 10 dlares y un cuarto de
que el costo sea de 11 dlares, si usan el proceso B.
El jefe de supervisores ha propuesto llevar
a cabo un experimento con el nuevo proceso
(B). Se produciran 10 o 15 unidades y, a partir de los resultados, se podra estimar "bastante bien" el costo unitario. El costo de la
prueba sera de 500 dlares. Cuando se le pidi al jefe que fuera ms especfico con respecto a la precisin de la estimacin del
costo, present la tabla que se muestra ms
adelante.
El seor Frank no est seguro de que esta
informacin sea relevante. El controlador ha
declarado que la prueba propuesta puede ser
provechosa, pero debe llevarse a cabo despus de obtener el contrato. De lo contrario,
declara, la empresa puede gastar 500 dlares
y no recibir el contrato. El supervisor cree

131

que hay que efectuar la prueba antes de presentar la cotizacin, ya que puede influir en
el precio de concurso de FMS.
Qu acciones debe emprender FMS?
Cul es el beneficio esperado?
Probabilidades de diversos costos estimados
Costo estimado
por el supervisor
$9
10
11

Costo real por unidad


$9

$10

$11

0.8
0.1
0.1
1.0

0.1
0.8
0.1
1.0

0.1
0.1
0.8
1.0

4-43. La compaa Breezy Breakfast Foods Company quiere vender un nuevo cereal para el
desayuno. Si el nuevo cereal tiene xito, representara beneficios de 10 millones de dlares (valor actual) durante la vida del producto.
Si fracasa, se incurrira en una prdida de dos
millones de dlares. La gerencia opina que
hay un 50% de probabilidad de que el
producto tenga xito.
Dos empresas de investigacin de mercados
han propuesto a Breezy que obtenga ms
informacin. Una de ellas, Attitude Surveys,
recopila datos acerca de la opinin de los
clientes con respecto a las caractersticas especficas del producto, como seran la dulzura, el contenido de caloras, el valor nutritivo,
etc., para producir un pronstico de "xito" o
"fracaso". La experiencia de la compaa en
sus 50 estudios ms recientes de productos similares es la que se presenta a continuacin:
Experiencia de Attitude Surveys

Otra compaa, Market Competition Inc.,


realiza sus anlisis en forma completamente
diferente e independiente. Esta empresa lleva

Parte II Anlisis de decisiones

132

garra. La pelcula tiene el potencial para ser


un xito financiero, pero los ejecutivos no
estn seguros, pues es un tema controvertido;
adems, han visto que algunas pelculas
anunciadas como "xitos" se han convertido
en fracasos, con terribles consecuencias
financieras.
MBA necesita decidir si debe presentar La
garra en forma limitada al principio. Esto significa que la pelcula slo se proyectara en
unos cuantos cines en los primeros seis meses; despus de este periodo se distribuira en
forma general. Este mtodo es el mejor si la
pelcula es un xito, ya que los estudios obtienen mejores beneficios de estos cines.
La otra alternativa es distribuir de inmediato la pelcula a todos los lugares donde
sea posible.
Los beneficios de las dos alternativas se
presentan en la tabla de la pgina adyacente,
clasificados en funcin del "xito", del resultado "regular" o del "fracaso" de la pelcula.
En MBA se discute mucho acerca del potencial de La garra. La gerencia finalmente
ha logrado ponerse de acuerdo con respecto a
las probabilidades de la tabla, pero an no sa-

a cabo un extenso anlisis de los productos


competitivos y presenta una recomendacin
de "xito" o "fracaso" con base en la cantidad y la calidad anticipada de los productos
competitivos. Su experiencia en 50 estudios
ha sido:
Experiencia de Market Competition

Attitude Surveys cobra 100 000 dlares por


estudio y Market Competition cobra 150 000.
a. Considere slo Attitude Surveys. Use un
rbol de decisin para decidir si Breezy
debe comprar este estudio.
b. Considere slo Market Competition. Use
un rbol de decisin para decidir si
Breezy debe comprar este estudio.
4-44. Los estudios cinematogrficos MBA intentan
decidir cmo distribuir su nueva pelcula, La
Beneficios de la pelcula La garra

Acciones
Nivel
de xito

Probabilidad

xito
Regular
Fracaso

0.3
0.4
0.3

Distribucin
inicial limitada

Distribucin
general

$22 millones
8
-10

$12 millones
8
- 2

1.0

Reaccin del pblico de las proyecciones adelantadas


Calificacin
del pblico
Sobresaliente
Buena
Mala
Totales

xito
9
1
0
10

xito real de la pelcula


Regular Fracaso Totales
12
6
2
20

3
5
2
10

24
12
4
40

ben qu decisin tomar. Una posibilidad es


proyectarla anticipadamente unas cuantas
veces y ver la reaccin del pblico. El costo
del proceso sera de alrededor de 50 000 dlares, lo cual, segn varios ejecutivos de la
compaa, sera un desperdicio, ya que el
pblico de las funciones adelantadas tiende a
calificar la pelcula como buena o sobresaliente incluso cuando posteriormente es un

Captulo 4 Toma de decisiones en condiciones de incertidumbre


fracaso. Para apoyar su punto de vista, elaboraron la siguiente tabla que describe la experiencia anterior de la compaa con la
reaccin del pblico en 40 proyecciones adelantadas.
a. Elabore el rbol de decisin para este problema.

Caso 4-45

133

b. Calcule las probabilidades a posteriori de


"xito", "regular" y "fracaso" con base en
las reacciones del pblico.
c. Suponga que MBA est dispuesto a basar
su decisin en el valor monetario espera
do. Qu decisin debe tomar con respec
to a la pelcula La garra?

Susan Parks, jefe de analistas del Departamento Estatal de Bosques, elabora una
recomendacin para el gobernador con respecto al rea de esqu propuesta para
Wabash. El departamento propuso inicialmente un centro de esqu de gran tamao,
pero la escasez de gasolina, la inflacin y otros factores han puesto en duda las
estimaciones originales acerca del nmero de personas que usaran el centro. Se
han propuesto otras dos alternativas: una es construir instalaciones ms pequeas
y ampliarlas dentro de dos aos si lo justifica la demanda; la otra es posponer el
proyecto dos aos. La seora Parks ha recopilado estimaciones de costos, ingresos
y probabilidades relacionadas con las diversas alternativas.
Costar 15 millones de dlares construir un centro de gran tamao. Si se
construyen instalaciones ms pequeas y se amplan despus, el costo sera de
doce millones de dlares para la parte inicial y de seis millones para la ampliacin.
Parks ha decidido usar tres niveles de demanda potencial de esquiadores para
Wabash: alto, medio y bajo. Los costos y los ingresos para estos casos se presentan
en la tabla de estimaciones de la pgina 132. El Departamento de Bosques utiliza
una medida de los beneficios al evaluar este tipo de proyectos, la cual incluye
los ingresos y los costos monetarios, pero adems incorpora un valor para los
beneficios de recreacin que ofrece el centro (a razn de un dlar diario por
visitante).
Despus de consultar con sus colegas, la seora Parks estima que hay 0.10 de
probabilidad de que la demanda de los prximos dos aos sea alta, 0.60 de que
sea media y 0.30 de que sea baja. La demanda que exista despus del segundo ao
depender de lo que ocurra en los dos primeros aos. Estas probabilidades tambin
se han evaluado y se muestran en la tabla de la siguiente pgina.
Considere un periodo de 15 aos para evaluar este proyecto y calcule los
beneficios netos totales de los 15 aos. No incluya ninguna previsin para la
inflacin, descuentos o crecimiento en la demanda, nada que no est indicado en
la tabla. Suponga que al trmino de dos aos, el Departamento de Bosques podr
evaluar con certeza la demanda de los 13 aos siguientes. Por ltimo, suponga
que el departamento est dispuesto a usar los beneficios netos esperados como
criterio para presentar su recomendacin al gobernador.
a. Elabore el diagrama de rbol para el problema de decisin.
b. Complete las probabilidades y los beneficios del rbol.
c. Qu recomendacin debe presentarse al gobernador?

134

Parte II Anlisis de decisiones

Estimacin del total de visitantes y los costos para el rea de Wabash

Visitantes
al ao
(miles)

Ingresos anuales
por alquiler y
concesiones
(miles de dlares)

Costos
fijos
(miles de
dlares)

Ingresos
netos
(miles de
dlares)

Beneficios
netos
ponderados*
(miles de
dlares)

Centro de gran tamao


Demanda alta
Demanda media
Demanda baja
Instalaciones ms
Demanda alta
Demanda media
Demanda baja

800
500
200

$2 400
1 600

500
400
200

$1 600
1 000

600

600

$700

$) 700

700
700

900

$2 500
1 400

-100

100

$400

$1 200

400
400

600
200

$1 700
1 000
400

Los beneficios netos ponderados incluyen los ingresos monetarios y los visitantes valorados en un dlar por da.

Probabilidades de la demanda en
el centro Wabash despus del segundo ao
Demanda Demanda
despus del
hasta el
ao 2
ao 2
Alta
Alta
Media

Baja

Caso 4-46

Probabilidad

1.0

Alta
Media
Baja
Alta
Media
Baja

Es junio de 1992 y el director general de Particular Motors, fabricante australiano de automviles, considera el futuro del modelo Torana. Actualmente, el Torana
se ofrece con la opcin de un motor L4 (de cuatro cilindros, importado de
Alemania), o un motor L6 o V8, ambos fabricados en Australia. Se ha programado
un cambio radical del modelo que se presentar al pblico en febrero de 1995.
Hay un punto an por decidirse: si Particular Motors debe fabricar en Australia
su propio motor L4.
Australia, al igual que otros lugares, se enfrenta a una crisis energtica. El
gobierno central de Canberra considera seriamente la posibilidad de aprobar una
ley que aumentara notablemente el precio de la gasolina y el aumento dara lugar
a mayores ventas del Torana con motor L4, ms pequeo, y la reduccin en la
venta de los Torana con motores L6 y V8. El gobierno puede establecer tres

Captulo 4 Toma de decisiones en condiciones de incertidumbre

135

precios posibles para la gasolina: 1.10, 1.35 o 1.60 dlares por litro. El departamento de ventas estima que las ventas de los tres modelos en el periodo 1995-1997
es el siguiente (despus de 1997 habr nuevos cambios en el Torana):
Precio de
la gasolina
$1.10
1.35
1.60

Ventas totales del Torana en tres aos con:


Motor L4

Motor L6

25 000 80
000 120
000

75 000
75 000
50 000

Motor V8
20 000
15 000
10 000

Total
120 000
170 000
180 000

La contribucin para cada tipo de automvil es:


Contribucin
por automvil
a los beneficios

Modelo

$100
300
350
400

Torana con motor L4 importado


Torana con motor L4 australiano
Torana con motor L6
Torana con motor V8

Le preguntaron al experto de relaciones pblicas de Canberra acerca del futuro


de los precios del combustible. Despus de un anlisis cuidadoso, se evaluaron
las siguientes probabilidades:
Precio de la gasolina
(dlares por litro)
Probabilidad
$1.10
1.35
1.60

0.10
0.50
0.40
1.00

Un factor que complica la decisin acerca de construir el motor L4 en Australia


es la posibilidad de que el gobierno apruebe la Ley de Contenido Local. Esta ley,
de aprobarse, obligara a Toyota y Nissan a aumentar el contenido fabricado
localmente de los automviles que se montan en Australia, lo cual implica
comprar un motor L4 australiano. Hay un 60% de probabilidad de que se apruebe
la ley, en cuyo caso Particular Motors negociara un contrato con Toyota y Nissan
(suponiendo, por supuesto, que hubiera decidido producir el L4 en Australia) para
fabricar los 100 000 motores L4 que requeriran los japoneses en el periodo de
1995 a 1997. La contribucin de cada mquina que se vendiera a los japoneses
sera de unos cien dlares.

136

Parte II Anlisis de decisiones

Para que Particular Motors pueda comenzar la manufactura del motor L4


australiano, debe asignar cuatro millones de dlares en 1992 (antes de conocer el
precio de la gasolina o el resultado de la decisin acerca de la Ley de Contenido
Local) para la construccin de la lnea de transferencia principal para el bloque
del motor. Para completar las instalaciones productivas necesitara otros 14
millones de dlares, pero esto puede posponerse hasta que el gobierno decida cul
ser el precio de la gasolina y apruebe o rechace la Ley de Contenido Local.
Tambin se necesitarn inversiones adicionales para satisfacer los requisitos
de los contratos japoneses. Si se invierten ahora un milln de dlares pueden
incorporar los requerimientos al sistema de produccin y se necesitar otro milln
de dlares al concluir el sistema ms tarde. Alternativamente se puede modificar
el sistema de produccin despus de conocer el precio de la gasolina y la decisin
sobre la Ley de Contenido Local, pero si lo hacen entonces les costar cuatro
millones de dlares.
a. Elabore el rbol de decisin para el problema al que se enfrenta Particular
Motors.
b. Incluya slo los flujos incremntales de efectivo que se relacionen con la
decisin del motor L4.
c. Incluya las probabilidades en el rbol.
d. Determine cul es la estrategia ptima para Particular Motors. Cul es el flujo
de efectivo incremental esperado?
Recomendacin: Para que el rbol sea un poco ms sencillo, observe que el
contrato japons no se relaciona con el precio de la gasolina, pero slo se llevar
a cabo si se aprueba la Ley de Contenido Local y, por supuesto, si Particular
Motors decide fabricar un motor L4 australiano.

Caso 4-47

Usted es el gerente de una planta de montaje de automviles; slo ha transcurrido


una hora del turno de da cuando el supervisor de control de materiales le informa
de un posible problema. El supervisor le indica que en la hora 4 la lnea de montaje
quedar sin dispositivos de apertura del cofre, por causa de retrasos en las
entregas. Hay dos pedidos de dispositivos en camino y el supervisor los ha
rastreado; basta que llegue uno de los dos para resolver el problema. Hay cierta
probabilidad (2 sobre 10) de que el primer pedido llegue en la hora 5; de lo
contrario, llegar despus de que termine el turno. La probabilidad de que el
segundo pedido llegue hoy es "buena" (6 sobre 10 de que llegue en la hora 6); de
lo contrario, tambin llegar despus de concluir el turno. Sin embargo, las
probabilidades de llegada de los dos pedidos no son independientes, ya que el
clima afecta a los dos. Usted estima que si el primer pedido llega a tiempo (en
la hora 5), la probabilidad de que el segundo pedido tambin llegue a tiempo
(en la hora 6) es de 0.9.
Usted debe tomar la decisin acerca de lo que debe hacerse cuando ocurra la
escasez. Tiene tres opciones: (1) detener la lnea y mandar a los trabajadores a
casa; (2) sustituir una pieza similar de otro modelo; (3) montar los automviles
sin el dispositivo de apertura del cofre y montarlo maana fuera de la lnea. Cada
una de estas opciones tiene sus costos. Si detiene la lnea perder la produccin

Captulo 4 Toma de decisiones en condiciones de incertidumbre

137

de 50 automviles por hora. Su contrato sindical le permite mandar a los trabajadores a casa sin tener que pagarles (si ya trabajaron cuatro horas); sin embargo,
la planta opera con un programa muy ajustado y tendra que recuperar la produccin perdida con tiempo extra, a un costo de 40 dlares por automvil.
Tambin hay limitaciones en el caso de la sustitucin del dispositivo de apertura
del cofre con un modelo similar. El sustituto cuesta lo mismo y al parecer funciona
igual, pero la sustitucin debe ser aprobada por el comit de ingeniera de
producto, en Detroit. Esta aprobacin no la obtendra hasta maana; sin embargo,
puede anticiparse y usar el dispositivo sustituto. Si llegara la aprobacin no se
presentara ningn costo adicional, pero si no se aprueba, maana tendra que
quitar el sustituto e instalar el correcto, a un costo de 120 dlares por automvil.
Usted estima que hay 0.6 de probabilidad de que el comit de ingeniera de
producto apruebe la sustitucin.
La tercera opcin implica montar los automviles sin el dispositivo de apertura
del cofre y montarlo maana, cuando lleguen las piezas. Esto se hace fuera de la
lnea de montaje y cuesta 60 dlares por automvil.
El diagrama adjunto resume la situacin. Otras hiptesis adicionales: puede
cerrar la planta en cualquier momento (es decir, en la hora 4, la 5 o la 6); pero
si ya la cerr, permanece as hasta el final del turno. Suponga tambin que si
comienza con una alternativa, usar el sustituto o no usarlo, continuar con
ella hasta que lleguen las piezas o usted cierre (con esto se elimina la posibilidad
de usar el sustituto en la hora 4 y en la hora 5 utilizar la alternativa de no montar
la pieza).

a. Elabore el diagrama para el problema de decisin descrito. Incluya todas las


ramas y las alternativas de decisin permitidas.
b. Muestre los costos como valores finales al final del rbol.
c. Muestre las probabilidades en el rbol.
d. Qu decisiones deben tomarse para minimizar el costo esperado?

Caso 4-48

Son las 7:00 P.M. del 24 de diciembre; el lugar es el centro de control de emergencia
de Telco, la compaa telefnica del rea de la baha de San Francisco. Larry
Nettles, el director en turno, ha recibido varios informes del rea de servicios de
operacin de que los clientes han tenido problemas para efectuar llamadas fuera
de sus reas locales. Al revisar los informes de diagnstico de las oficinas de

138

Parte II

Anlisis de decisiones

conmutacin principales, Larry confirma lo que ms tema: el problema se


encuentra en uno de los tres cables marinos que cruzan la baha de San Francisco.
Cuando hay problemas con los cables marinos, es necesario identificar lo ms
pronto posible cul es el que ocasiona el problema y aislar la seccin averiada.
Las llamadas slo pueden redirigirse si se lleva a cabo este paso. La nica manera
de identificar el cable averiado (y en qu punto est) es enviar un barco y su
tripulacin para examinar cada uno de los cables a intervalos determinados y
aislar el problema. Este proceso de bsqueda tiene que efectuarse por tanteo, cable
por cable.
Telco ha hecho los preparativos para este tipo de emergencia. Se efectu un
estudio detallado de los tres cables y de la posibilidad de que se presentaran
averas. El estudio tom en cuenta la longitud de la ruta del cable, la edad del
cable y el nmero de rutas de navegacin que cruzan el cable. Con base en estos
datos, Telco determin las siguientes probabilidades de desperfectos en los cables
(supondremos que la probabilidad de que dos o tres cables estn averiados al
mismo tiempo es cero):

Cable

Ubicacin

Probabilidad
de averas

Cable 1
Cable 2
Cable 3

San Francisco/Oakland
Sausalito/Oakland
Hayward/San Francisco

0.3
0.5
0.2

Las probabilidades anteriores implican que, por ejemplo, si un cable tiene


problemas, es dos veces ms probable que se trate del cable 2 que del cable 3.
Tambin hay estudios que indican el nmero de llamadas que viajan por cada
cable y los ingresos que generan estas llamadas. La Nochebuena es, por supuesto,
la fecha de ms llamadas, y la prdida de ingresos seria considerable si Telco no
aisla rpidamente el cable averiado. Se estima que las prdidas seran:

Cable

Prdida de ingresos
(miles de dlares
por hora)

Cable 1
Cable 2
Cable 3

$ 28
90
120

Para localizar el cable defectuoso, el centro de control de emergencias tiene


que enviar un barco y su tripulacin, con costo de mil dlares por hora. Slo hay
un barco y la tripulacin tiene que revisar cada uno de los cables hasta aislar el

Captulo 4 Toma de decisiones en condiciones de incertidumbre

139

que est averiado. El problema de decisin del centro de emergencias es decirle


a la tripulacin en qu orden deben revisar los cables.
La experiencia indica que si el cable est defectuoso, la tripulacin tardar una
hora en aislar el lugar de la avera; los procedimientos de redireccin de llamadas
comenzaran inmediatamente despus. Sin embargo, si el cable no tiene defectos,
la tripulacin tardar dos horas en revisarlo por completo, antes de pasar al cable
siguiente. Por ejemplo, si el cable 3 fuera el defectuoso, pero la tripulacin
examina primero el cable 1, luego el 2, antes de llegar al 3, el tiempo de bsqueda
total sera de cinco horas (dos horas para revisar el cable 1 y determinar que est
bien, dos horas para indicar que est bien el cable 2 y una hora para aislar el
problema en el cable 3).
a. Elabore un rbol de decisin que ayude al director del centro de emergencia a
decidir cul ser el orden de revisin de los cables. Incluya las probabilidades
en el rbol (en los casos donde revisen un cable y no tiene defectos, suponga
que las probabilidades relativas de los otros dos cables no cambian). Incluya
las unidades de evaluacin (pagos) al final de las ramas del rbol de decisin.
Suponga que Telco est dispuesto a usar el costo total (ingresos menos costos
del barco y tripulacin) como la medida de los resultados.
b. Qu estrategia de bsqueda debe usar Telco?

CAPTULO

Teora de la decisin

La teora de la decisin tiene que ver principalmente con la forma de ayudar a las
personas (o a las organizaciones) a tomar decisiones y a mejorar el proceso de
toma de decisiones en condiciones de incertidumbre. La teora de la decisin
permite que el decisor analice un conjunto de situaciones complejas con varias
alternativas y distintas consecuencias. El objetivo principal es identificar un curso
de accin que sea consistente con las cuestiones econmicas y los deseos psicolgicos del decisor. En el captulo 4 tambin se analiz la teora de la decisin,
pero no se consideraron criterios de decisin distintos del criterio de maximizacin del valor monetario esperado.
Los gerentes empresariales muchas veces tratan las decisiones complicadas
suponiendo que hay certidumbre. Es decir, suponen que los datos que usan en los
clculos son conocidos y no hay dudas al respecto; a lo mucho, hacen una
declaracin justificadora, como: "por supuesto, no siempre se conocen los datos
con certeza". Este mtodo es razonable para muchas decisiones. La toma de
decisiones puede ser compleja, incluso en condiciones de certidumbre. En ocasiones puede ser conveniente partir de una situacin en la que se supone que se
conocen los hechos. Muchas soluciones convencionales que se ofrecen para
problemas como los de control de inventarios, decisiones de fabricar o comprar,
presupuestos y precios, suponen que hay certidumbre.
En este captulo continuar el anlisis del arte de tomar decisiones en condiciones de incertidumbre. El punto focal ser el criterio de decisin que se utilice:
es decir, cmo debe seleccionarse la mejor accin. En el captulo 4 supusimos que
el criterio adecuado era el valor esperado. En este captulo y los que siguen se
considerarn otros criterios y resultar evidente que es difcil encontrar respuestas
absolutamente correctas cuando el futuro es incierto; sin embargo, hay mtodos
razonables para esta clase de problemas de decisin que deben comprender los
gerentes.
140

Captulo 5 Teora de la decisin

141

El problema de decisin
En este captulo se considerar un tipo de decisin bastante comn. Hay varias
acciones y varios estados de la naturaleza posibles. Por ejemplo, las acciones
pueden ser:
1.
2.
3.
4.
5.
6.

Decidir cul es el nmero de unidades de inventario que hay que pedir.


Comprar o no un seguro contra incendios.
Fabricar o comprar un producto.
Invertir o no en equipo.
Ampliar o no una lnea de productos.
Cambiar o no el precio de un producto (y, de cambiarlo, cunto).

Los estados de la naturaleza son los sucesos posibles que pueden ocurrir. Uno
de los estados es el verdadero, pero no se sabe cul. A continuacin se presentan
posibles estados o sucesos de las acciones anteriores:
1. La demanda del producto puede ser 0, 1, 2, 3, . . ., 50.
2. Puede ocurrir un incendio o puede no ocurrir.
3. Si se fabrica el producto, el costo sera 10 centavos, 11 centavos, . . .,
50 centavos.
4. Si se invierte en el equipo, el ahorro en costo por hora puede ser 1.00, 1.01,
1.02,. .., 2.50 dlares.
5. Si se ampla una lnea de productos, las ventas pueden ser de un milln de
dlares, dos millones, etctera.
6. Si el precio se modifica, las ventas pueden ser 0, 1, 2, 3,. . ., 10 000 unidades.
Al no saber cul de los estados es el verdadero, se asigna una distribucin de
probabilidad a la posible ocurrencia de cada suceso (la divisin de los estados
posibles puede ser tan fina como se desee). La distribucin de probabilidad puede
basarse en pruebas objetivas del pasado, si el decisor considera que se mantienen las mismas fuerzas en el futuro. Sin embargo, no estamos restringidos a
usar probabilidades objetivas. En algunos casos puede ser razonable asignar las
probabilidades que el decisor se considere adecuadas para los estados posibles,
de manera que la accin que se elija sea consistente con lo que se cree acerca de
los sucesos posibles y sus consecuencias econmicas. Las pruebas objetivas deben
proporcionarse, en la medida de lo posible, para ayudar al decisor a mejorar la
asignacin de probabilidades.
Ejemplo

Para ilustrar este anlisis se desarrollar un ejemplo, un problema bsico de


decisin de inventarios, parecido al tipo de problemas que se presentaron en el
captulo 4. El problema es determinar cuntas unidades hay que pedir. El precio
del producto es de cinco dlares y el beneficio es dos dlares por unidad. Las
unidades no vendidas no tienen valor de desecho. Los estados posibles (demanda
posible) y sus probabilidades se muestran en la tabla 5-1.
Las acciones posibles son comprar cero, una o dos unidades (no sera razonable
comprar tres, ya que la probabilidad de vender tres unidades o ms es cero). Los

142

Parte II Anlisis de decisiones

Tabla 5-1

Tabla 5-2

Tabla de beneficios condicionales

estados de la naturaleza posibles son que la demanda ser cero, una o dos unidades.
El primer paso para obtener una solucin es preparar una tabla (vase Tabla 5-2)
que muestre los beneficios que se obtendran de cada combinacin de accin y
estado de la naturaleza; a esta tabla la hemos llamado tabla de pagos o de
beneficios condicionales. Los beneficios dependen de la eleccin de una accin
especfica y de la ocurrencia de un estado; la representacin simblica de un
pago es R(q, dj). As, R(q2, d3) representara el beneficio de la decisin d3 si el
estado es q2. En este caso, R(q2, d3) = -1.
Hay que decidir si se piden cero, una o dos unidades. No es obvio cuntas hay
que pedir. La solucin de este problema relativamente sencillo es complejo; es
ms, ni siquiera est claro cul "debera" ser la respuesta. Presentaremos ahora
para ello, distintos criterios de decisin posibles.

Criterios de decisin
A continuacin se presentan algunos criterios de decisin posibles:

1. Suponiendo sucesos igualmente probables, elegir la dj que maximice:

donde n es el nmero de sucesos (estados) posibles; en este caso, n = 3.

Captulo 5 Teora de la decisin

143

2. Seleccionar la accin que maximice los beneficios mximos posibles, el


procedimiento maximax.
3. Maximizar los beneficios mnimos posibles, el procedimiento maximin (o
minimizar el costo mximo posible, el procedimiento minimax).
4. Basar la decisin en los beneficios del suceso con mayor probabilidad de
ocurrencia.
5. Utilizar la regla de decisin del valor esperado: Multiplique las consecuen
cias de cada accin por las probabilidades de las ocurrencias y sume los
productos. La accin con mayor valor esperado es la decisin ms deseable.
6. Seleccionar una accin que domine a las dems acciones.
7. Seleccionar una accin que tenga la mayor utilidad esperada.
Los primeros cuatro criterios de la lista son menos deseables; dentro de poco
veremos por qu. Los tres ltimos criterios son razonables; la eleccin de uno de
ellos depende de las circunstancias. En este captulo se analizarn los seis
primeros criterios; el criterio de la utilidad esperada es el tema del captulo 6.
El tipo de decisin que se estudia en este captulo puede considerarse como un
juego contra la naturaleza. Hay que recordar que la naturaleza no piensa ni elabora
planes contra su oponente. Los criterios que pueden ser completamente razonables en situaciones competitivas (como el criterio minimax) son menos razonables
en un juego contra la naturaleza. Esta diferencia es importante, ya que el anlisis
que se presenta a continuacin slo se aplica a decisiones que comprenden a la
naturaleza, no a decisiones en las que participa un oponente que piensa.
En todo el captulo se supondr que el decisor est dispuesto a usar el
dinero para medir los resultados. Por supuesto, esto no ocurre en muchas situaciones. Por ejemplo, al decidir qu empleo debe aceptarse, es probable que
adems del salario se considere si el puesto es un reto. ste es un ejemplo
de problema de decisin con varios atributos y los problemas de este tipo se
analizan en el captulo 6.
Igualmente probable
Este procedimiento propone que se sumen las consecuencias posibles de cada
accin y se divida entre el nmero de sucesos posibles. La accin con mayor
valor con base en la hiptesis de igualdad de probabilidad ser la ms deseable. Si no se sabe mucho acerca de la probabilidad de los sucesos posibles,
algunas personas diran entonces que se debe suponer que cada suceso tiene
la misma probabilidad. Sin embargo, es muy raro el caso en el no se tenga
alguna idea acerca de la probabilidad de los sucesos. Estas probabilidades,
que pueden o no estar basadas en pruebas objetivas, deben usarse en el anlisis
si se desea que la accin sea consistente con nuestro juicio. Si se considera
que un suceso es ms probable que otro, al suponer automticamente que todos los sucesos tienen la misma probabilidad no se asegura tal consistencia.
Por ejemplo, en el problema al inicio del captulo, se proporciona una distribucin de probabilidad especfica (vase Tabla 5-1). No hay ninguna razn para

144

Parte II Anlisis de decisiones

suponer que existe una probabilidad de ocurrencia igual para cada uno de los
sucesos.
Cuando se considere que es adecuado usar probabilidades y no haya una razn
para suponer que las probabilidades de los estados sean iguales, entonces deber
usarse la mejor estimacin de las probabilidades, en lugar de la hiptesis de
"igualmente probables".
Maximax
El criterio maximax propone que el decisor debe buscar los mayores beneficios
posibles para cada accin y escoger la accin que tenga mayores beneficios. Esta
estrategia slo contempla el mayor beneficio posible e ignora las probabilidades y
consecuencias de los otros sucesos que pueden ocurrir. En el ejemplo (Tabla 5-2),
el criterio maximax elegira la accin "comprar 2", ya que ofrece beneficios
posibles de cuatro dlares; sin embargo, ignora la posibilidad de que pueda
generar prdidas por seis dlares.
El criterio maximax no es una regla de decisin prudente. Hay algunas circunstancias en las que se desea tomar riesgos prudentes, pero debe hacerse tomando
en cuenta las probabilidades y las consecuencias de lo que puede suceder. El
mtodo de la utilidad esperada, que se aborda en el siguiente captulo, s incluye
estos factores al tomar una decisin.

Minimax
El criterio minimax sugiere que se seleccione la accin con menor prdida
mxima posible o, de otro modo, la que presente los mayores beneficios mnimos
posibles. En otras palabras, hay que asegurar que se ganen por lo menos R dlares
y buscar la accin que brinde la R mayor (la menor prdida, si se analizan las
prdidas).
La accin minimax del ejemplo sera pedir cero unidades. La prdida mxima
que puede ocurrir con cero unidades es cero dlares; las prdidas mximas de las
otras dos acciones son tres y seis dlares.
El criterio minimax tiende a llevar a la decisin de no hacer nada, a menos que
no haya probabilidad de prdida. Es un criterio muy conservador. La persona
que use el criterio minimax se vera, a final de cuentas, ante la amenaza de morirse
de hambre (al no hacer nada) y estara obligado a actuar. En trminos de las
actividades empresariales, la corporacin se estancara y sera superada por la
competencia dispuesta a innovar y a tomar riesgos razonables de sufrir prdidas.
En otras situaciones se puede llegar a una decisin totalmente irracional al usar
el criterio minimax. Por ejemplo, suponga que la tabla 5-2 muestra los costos
condicionales de dos acciones. La mejor accin es "comprar el seguro", de
acuerdo con el criterio minimax, ya que el costo mximo es 100 dlares (el costo
mximo de la accin "no comprar" (el seguro) es 101 dlares). Sin embargo, si
los dos estados tuvieran la misma probabilidad, o si el estado q2 es ms probable

Captulo 5

Tabla 5-3

Teora de la decisin

145

Tabla de costos condicionales


Accin
Estado de
la naturaleza

Comprar seguro

No comprar

q1
q2

$100
100

$101
1

que qu entonces la mayora de las personas opinaran que la accin ms deseable


es "no comprar". Minimax no es una estrategia deseable en un juego contra la
naturaleza, pero s es til frente a adversarios que piensan.

Probabilidad mxima
Si se usa el procedimiento del criterio de decisin de probabilidad mxima, se
considera nicamente la consecuencia del estado con mayor probabilidad de
ocurrencia y se elige la mejor accin para el estado. En el ejemplo, este estado es
"la demanda es uno", lo que lleva a la decisin de pedir slo una unidad. Es una
decisin razonable en este contexto, pero no siempre ser as. Por ejemplo,
suponga que la probabilidad de que la demanda sea uno es de 0.51 y 0.49 de que
la demanda sea dos. Ahora ya no es tan evidente que la mejor decisin sea pedir
uno. Para que sea ms evidente que la decisin de probabilidad mxima puede
tener defectos, reduzca la prdida de una unidad sobrante (aumente el valor de
desecho) de manera que no existan consecuencias desfavorables si sobran unidades. Es mejor pedir dos unidades si la probabilidad de vender la segunda unidad
es 0.49.
El criterio de probabilidad mxima ignora las consecuencias de todos los
estados, excepto del que tiene mayor probabilidad; por lo tanto, no aprovecha gran
parte de la informacin disponible para la decisin. Si no se usa esta informacin,
es posible que la decisin que se tome no sea razonable.

Regla de decisin del valor esperado


Con la regla de decisin del valor esperado, la cual ya se present en el captulo
4, se calcula el valor esperado de cada accin (multiplicando los beneficios
condicionales por la probabilidad del estado y sumando los productos de cada
estado) para luego seleccionar la accin con mayor valor monetario esperado; es
decir, se maximiza el VME.
Los valores esperados de las tres acciones de la tabla 5-2 son los que se
muestran en la tabla 5-4. La accin con mayor valor esperado es "comprar
uno"; por lo tanto, hay que comprar una unidad. Si las probabilidades cambian
o los beneficios condicionales varan por modificaciones en el precio, costo o

146

Parte II Anlisis de decisiones

Tabla 5-4

Clculo de valores esperados

valor de desecho, se calculara de nuevo el valor esperado y la decisin podra


ser otra.
En la prctica, el problema de los inventarios no se resuelve con la tabla de
beneficios y el clculo del valor esperado de cada una de las acciones posibles.
Sin embargo, los procedimientos que se usan se basan en el anlisis anterior. Es
decir, el procedimiento de inventarios convencional supone que es adecuado usar
la regla de decisin del valor esperado (vase Cap. 17).
En ocasiones, el criterio del valor esperado se denomina VME o valor monetario esperado para distinguirla del criterio de la utilidad esperada.
El criterio de decisin del valor esperado es el ms sensible de los que se han
visto hasta ahora, ya que toma en cuenta las consecuencias de cada uno de los
sucesos posibles y su probabilidad de ocurrencia. Pero, considere la siguiente
situacin: Un socio le propone una apuesta con el lanzamiento de una moneda.
Si cae cara, usted gana 3100 dlares, pero si cae cruz, deber pagar mil dlares.
Observe que el valor esperado de esta apuesta es $ 1050 (0.5 x 3100 + 0.5 x - 1000).
Como alternativa a la apuesta, su socio le ofrece mil dlares seguros. La mayora de las personas aceptara los mil dlares, a pesar que el valor esperado de la
apuesta es mayor. La apuesta presenta mayor riesgo y la mayora prefiere evitar
los riesgos.
El criterio del valor esperado no toma en cuenta la actitud del decisor con
respecto al riesgo, lo cual es una limitacin importante. Si las cantidades monetarias que comprende el problema de decisin son pequeas o la decisin es
repetitiva (como lo sera una decisin diaria acerca de cunto almacenar), el riesgo
no es importante y el valor esperado es un criterio razonable. Por otra parte, si las
cantidades monetarias en juego son elevadas y sobre todo si es una decisin nica,
el criterio del valor esperado no es adecuado.
El criterio de denominacin (que se presenta a continuacin) y el criterio de la
utilidad esperada (Cap. 6) s toman en cuenta la actitud con respecto al riesgo. Sin
embargo, estos mtodos tambin tienen limitaciones.
El criterio del valor monetario esperado sigue siendo el criterio de decisin ms
til en condiciones de incertidumbre y es el preferido cuando el riesgo no es un
factor de la decisin. Incluso cuando la decisin comporta riesgo, un mtodo
sensato consiste en primero calcular el valor monetario esperado y luego efectuar
un ajuste subjetivo para considerar el riesgo al tomar la decisin.

Captulo 5 Teora de la decisin


Tabla 5-5

147

Tabla de beneficios condicionales

Dominacin
Existen varios mtodos en los cuales se toma una decisin con base en la
dominacin. El caso ms sencillo se llama dominacin de resultados, en el cual
el peor resultado en cuanto al beneficio de una accin es por lo menos tan bueno
como el mejor resultado de una segunda accin. Por ejemplo, considere las
acciones d1 y d2 de la tabla 5-5.
El resultado con peor beneficio para la accin d1 es 0 (cuando ocurre q3); el
mejor beneficio para la accin d2 es tambin 0 (cuando ocurre q2). Por lo tanto,
la accin d1 domina a la accin d2. Uno est seguro de con d1 los resultados sern
iguales o mejores, sin importar lo que suceda.
Otra forma de dominacin se denomina dominacin de sucesos; ocurre si una
accin tiene beneficios mejores o iguales que las de otra accin para cada suceso.
Considere las accin dx y d3 de la tabla 5-5. Para cada suceso (es decir, cada
estado), los beneficios condicionales de d1 son mayores que las de la accin rf3.
Entonces, d1 domina a d3 por dominacin de sucesos. No importa qu suceso
ocurra, d1 es mejor que d3. Observe que d1 tambin domina a d2 por dominacin de
sucesos.
Una tercera forma de dominacin se denomina dominacin probabilstica o
de probabilidad.1 Para demostrarlo, es necesario reorganizar la informacin de
la tabla 5-5 como se muestra en la tabla 5-6. Aqu, los sucesos se definen en
funcin de los beneficios condicionales y se ordenan de menor (-1) a mayor (2).
Las probabilidades de cada uno de los beneficios se presentan en las columnas
P(X). Las columnas P(X o ms) muestran la probabilidad de obtener beneficios de
X dlares o ms. Considere la accin d1: Hay seguridad (la probabilidad es 1.0)
de obtener beneficios de -1 o ms y tambin de cero o ms. La probabilidad de
obtener 1 o ms es de 0.5 y de 0.3 de obtener 2 o ms. Las probabilidades como
P(X o ms) se llaman probabilidades acumuladas y se analizan con mayor detalle
en el captulo 7.
Una accin domina probabilsticamente a otra si la P(X o ms) de la primera es mayor o igual que la P(X o ms) de la segunda para todos los valores de
1

Tambin conocido como dominacin estocstica. Aqu slo se considera la dominacin estocstica de primer
orden. Existen formas ms complejas (de segundo y tercer orden) que dependen de las caractersticas de la funcin
de utilidad de la persona que toma la decisin. Vase Derek W. Bunn, Applied Decision Analysis, Nueva York,
McGraw-Hill, 1984, Cap. 4.

148

Parte II Anlisis de decisiones

Tabla 5-6

Tabla de probabilidades acumuladas

X. Compare las acciones d1 y d4 de la tabla 5-6. Observe que para cada valor de X,
la P(X o ms) de la accin d4 siempre es mayor o igual que la de la accin d1. Por
lo tanto, d4 domina a d1 por dominacin de probabilidades.
Considere una cantidad fija de dinero. Obviamente, usted preferir la alternativa que tenga mayor probabilidad de obtener esa cantidad o ms. Si, para una
cantidad cualquiera, hay una alternativa que tenga igual o mejor probabilidad de
obtener dicha cantidad o ms, entonces esa alternativa domina en probabilidad.
De las tres formas de dominacin, la de resultados es la ms fuerte, sigue la de
sucesos y la de probabilidad es la ms dbil. Si la accin Adomina por dominacin
de resultados, tambin dominar por sucesos y por probabilidad; sin embargo, no
sucede lo mismo a la inversa. Por ejemplo, la accin d4 domina a d1 estocsticamente pero, como ya se mostr, no domina ni por sucesos ni por resultados.2
Es muy sensato usar el criterio de dominacin para elegir entre alternativas de
decisin. La dificultad estriba en que posiblemente no exista una alternativa que
domine a las dems. De hecho, es lo ms usual. Considere el ejemplo original de
la tabla 5-2; ninguna de las acciones domina a las otras en ninguna de las formas
de dominacin propuestas. Por lo tanto, el criterio de dominacin no seleccionara
la accin que debe tomarse. sta es la mayor limitacin de la dominacin; sin
embargo, puede servir para eliminar algunas alternativas y reducir en consecuencia el proceso de decisin.
El criterio de dominacin est relacionado con el valor esperado en cuanto a
que si una primera accin domina a una segunda, esto implica que el valor
esperado de la primera accin es mayor que el valor esperado de la segunda. Sin
embargo, lo contario no sucede.
Dominacin en rboles de decisin
Tambin es posible revisar si existe dominacin cuando el problema de decisin
se estructura como un rbol de decisin. Primero debemos introducir el concepto
2

Hay casos especiales para los tres tipos de dominacin en los que se relacionan las dos acciones. En el caso del
dominio de resultados, es posible que los beneficios de las dos acciones sean iguales. En lo que se refiere
al dominio de sucesos, los beneficios de cada suceso son los mismos. Para la dominacin de probabilidad, las
probabilidades P(X o ms) son iguales para toda X. En estos casos no hay dominacin y se considera que
las acciones son equivalentes.

Captulo 5 Teora de la decisin

Figura 5-1

149

rbol de decisin para la introduccin de un nuevo producto

de estrategia. Una estrategia es un conjunto de decisiones que determina por


completo el curso de accin. Considere el ejemplo que se muestra en la figura
5-1. Un decisor tiene la opcin de introducir un producto o abandonar el proyecto.
Si lo introduce, la aceptacin de los distribuidores puede ser rpida o lenta; en
ambos casos, el gerente puede seguir adelante con el producto o parar el proyecto.
Si la decisin es continuar, las ventas pueden ser altas, medias o bajas. Los
resultados y probabilidades se incluyen en la figura 5-1.
Considere las estrategias disponibles en este ejemplo para el decisor. Una
estrategia fcil de identificar es "abandonar el producto". Otra estrategia es
"introducir el producto: si la aceptacin es rpida, entonces Siga; si la aceptacin
es lenta, tambin Siga". A esta estrategia la llamaremos Siga/Siga. Observe

150

Parte II Anlisis de decisiones

Figura 5-2

rbol abreviado para la estrategia Siga/Siga

que en los dos enunciados de las estrategias se describen todas las decisiones que
deben tomarse en todas las circunstancias. Si el producto se abandona, entonces
ya no hay ms decisiones, pero de introducirse hay que especificar una decisin
"Siga" o "Pare", dependiendo de la aceptacin rpida o lenta. Al determinar si el
enunciado de la estrategia est completo, pregntese si contendra instrucciones
suficientes para que un asistente pueda tomar la decisin si usted no est presente.
Si no es as, el enunciado no especifica una estrategia completa.
Hay otras tres estrategias posibles, adems de la estrategia de abandono y de
la Siga/Siga:

Estrategia Siga/Pare: "Introducir el producto; si la aceptacin es rpida, Siga;


si es lenta, Pare".
Estrategia Pare/Siga: "Introducir el producto; si la aceptacin es rpida, Pare;
si es lenta, Siga".
Estrategia Pare/Pare: "Introducir el producto; si la aceptacin es rpida, Pare;
si es lenta, Pare".

Una estrategia determina todas las decisiones, por lo que slo quedan sucesos. Podemos elaborar de nuevo el diagrama de rbol para cada estrategia; en la
figura 5-2 se muestra el rbol para la estrategia Siga/Siga. Las probabilidades de

Captulo 5 Teora de la decisin

Tabla 5-7

151

Distribuciones de probabilidad y distribuciones acumuladas para


las estrategias seleccionadas
Estrategia Siga/Siga
Beneficio X
-150
-100
- 50
200
300

P(X)
.04
.36
0
.30
.30

P(X o ms)
1.00
.96
.60
.60
.30

Estrategia Siga/Pare

Estrategia Pare/Siga

P(X)

P(X o ms)

P(X)

P(X o ms)

0
.12
.40
.18
.30

1.00
1.00
.88
.48
.30

.04
.24
.60
.12
0

1.00
.96
.72
.12
0

cada resultado se incluyen al final del rbol. Por ejemplo, la probabilidad de


obtener beneficios de 300 000 dlares (el resultado de la aceptacin rpida y
ventas altas) es 0.6 * 0.5 = 0.30. Las otras probabilidades se calculan de manera
anloga. Las distribuciones de probabilidades para esta estrategia (Siga/Siga) y
las estrategias Siga/Pare y Pare/Siga se presentan en la tabla 5-7.
Las distribuciones de probabilidad de los beneficios, como las que se muestran
en la tabla 5-7, se denominan en ocasiones loteras de beneficios o perfiles de
riesgo, ya que describen de manera sucinta los riesgos que existen para el decisor.
Las estrategias "abandonar producto" y Pare/Pare no se incluyen en la tabla
5-7. La estrategia de abandono tiene beneficio seguro de cero y la estrategia
Pare/Pare tiene beneficio seguro de -50 000 dlares. Por consiguiente, la estrategia de abandono domina a la estrategia Pare/Pare por dominacin de resultados.
Observe en la tabla 5-7 que la estrategia Siga/Pare domina a la estrategia
Pare/Siga en probabilidad, ya que la probabilidad acumulada P(X o ms) es la
misma o mayor en cada uno de los casos. No hay ninguna otra dominacin.
En ocasiones es ms fcil ver la dominacin en probabilidad en un grfico de
las distribuciones acumuladas; o sea, en un grfico de P(X o ms). Una estrategia
domina a otra si su curva acumulada es, en todos sus puntos, igual o mayor que
la curva acumulada de la otra estrategia. La figura 5-3 muestra el caso de una
estrategia dominada, en la parte izquierda. La estrategia Siga/Pare domina a
la estrategia Pare/Siga, ya que la curva de la primera siempre es igual o mayor
que la de la segunda. Por otra parte, cuando se cruzan las curvas, como sucede en
la parte derecha de la figura 5-3, no hay dominacin. Ninguna distribucin es
siempre mayor (o igual) que la otra.
Cuando el rbol de decisin presenta muchos resultados, por lo general es ms
fcil revisar si existe dominacin por medio de curvas acumuladas, en vez de usar
tablas como la 5-7. Si los rboles llegan a ser demasiado complicados, se emplea
el procedimiento de anlisis de riesgo con simulacin de Montecarlo; este mtodo
se describe en el captulo 19.
Observe en este ejemplo que slo fue posible eliminar dos de las estrategias
dominadas (Pare/Siga y Pare/Pare). El criterio de dominacin no ofrece un medio
para elegir una de las tres estrategias restantes; por lo tanto, la dominacin es slo
un criterio de decisin parcial.

152

Parte II Anlisis de decisiones

Figura 5-3

Distribuciones acumuladas de beneficios

RESUMEN

Si la actitud hacia el riesgo del decisor no es un factor importante del problema


de decisin, por lo general es preferible usar la regla de decisin del valor esperado
en vez de otro criterio de decisin, ya que es la nica que utiliza toda la
informacin disponible y asegura una eleccin definitiva entre las alternativas.
Incluso si existe riesgo, el valor monetario esperado es til como primer paso.
Con el uso de los criterios de dominacin, en ocasiones es posible eliminar
algunas de las alternativas inferiores de un problema de decisin.

Funciones lineales
En el captulo 3 se present el concepto de variable aleatoria. Recuerde que si la
variable aleatoria X se multiplica por la constante c, el valor esperado del producto
cX puede expresarse como la constante multiplicada por el valor esperado de X
(vase Ecuacin 3-7). Es decir:
E(cX) = cE(X)

(5-1)

En esta seccin se generalizar este resultado y se aplicar especficamente a


problemas relacionados con el valor esperado del beneficio o del costo.
En muchas situaciones empresariales, una variable desconocida o aleatoria
se encuentra relacionada con el beneficio o el costo por medio de una funcin
lineal, como:

P=a+bX

Captulo 5 Teora de la decisin

153

donde P representa el beneficio (o el costo), a y b son constantes y X es la variable


aleatoria. Entonces, el valor esperado del beneficio (o el costo) se puede expresar
como:

Observe que lo anterior simplifica los clculos. En vez de tener que calcular
los beneficios condicionales para cada estado de la naturaleza (o sea, para cada
valor de X) y despus calcular los beneficios esperados, se puede introducir
el valor esperado de X (es decir, el estado promedio) en la ecuacin del beneficio.
Como ejemplo, suponga que los costos mensuales de un departamento son
10 000 dlares, ms cinco dlares por cada unidad que se produzca. Es decir:
C = 10 000 + 5X
donde X es la variable aleatoria, nmero de unidades producidas. Suponga que el
valor esperado E(X) es 1500 unidades. Luego, el costo esperado E(C) es:
E(C) = 10 000 + 5E(X)
= 10 000 + 5(1500) = 17 500

Producto de variables aleatorias independientes


Suponga que existen dos variables aleatorias, X y Y, y que estas variables son
independientes. El valor esperado del producto XY se puede expresar como el
producto de los valores esperados, o sea:
E(XY) = E(X) E(Y)
Ejemplo

si X y Y son independientes

(5-3)

Suponga que el beneficio P es igual al beneficio por unidad multiplicado por el


nmero de unidades vendidas. Se considerarn tres casos. La letra b representar
el beneficio por unidad vendida y la letra q ser el nmero de unidades vendidas.
Si se usan las letras maysculas B y Q, se considerar que son variables aleatorias;
cuando las letras sean minsculas, b y q, se tomarn como constantes y conocidas.
En el primer caso, se sabe que el beneficio por unidad es 1.50 dlares y no se
conoce con certeza el nmero de unidades vendidas, siendo la distribucin de
probabilidad de stas, la que se muestra en la tabla 5-8.
La ecuacin bsica del beneficio es:
P = bQ
Observe que el valor de B se conoce y por lo tanto se incluye en la ecuacin con
b minscula. El beneficio promedio o esperado es:
E(P) = E(bQ) = bE(Q)

154

Parte II Anlisis de decisiones

Tabla 5-8
Valores de Q

Probabilidad

9
10
11

0.4
0.5
0.1

El valor de E(Q) es:


E(Q) = 9(0.4) + 10(0.5) + 11(0.1) = 9.7
Por lo tanto, el beneficio esperado es:
E(P) = 1.50 9.7 = 14.55 dlares
Considere ahora otro caso, en el cual se sabe que se vendern 10 unidades en el
prximo periodo. No se sabe con certeza cul es el valor de B, el beneficio por
unidad; sin embargo, est disponible la informacin de la tabla 5-9.
Ahora la ecuacin del beneficio se escribe como:
P = qB
utilizando una q minscula para las unidades vendidas, porque es una constante.
El beneficio promedio o esperado es:
E(P) = qE(B)
y E(B) se calcula como sigue:
E(B) = 1.50(0.20) + 1.60(0.70) + 1.70(0.10) = 1.59
El beneficio esperado es:
E(P) = 10 1.59 = 15.90 dlares
Como tercer caso supongamoss que no se sabe con certeza cul es el valor de
B ni de Q (las dos son variables aleatorias con las distribuciones de probabilidad
que se mencionaron antes). Se supondr que B y Q son independientes. En este
caso la ecuacin del beneficio se escribira como:
P = BQ
y el beneficio esperado es:
E(P) = E(B) E(Q)

155

Captulo 5 Teora de la decisin

Tabla 5-9
Valores de B
$1.50
1.60
1.70

Probabilidad
0.20
0.70
0.10

Al sustituir los valores de los valores esperados de B y Q:


E(P) = 1.59 ' 9.7 = 15.42 dlares
De esta manera, si suponemos que hay incertidumbre para B yQ, el beneficio
esperado sera 15.42 dlares y podemos realizar nuestros planes tomando esto en
cuenta. Sin embargo, hay que sealar que 15.42 dlares es un valor esperado; los
beneficios pueden ser tan bajos como 13.50 dlares (si Q = 9 y B = 1.50 dlares)
o tan altos como 18.70 dlares (si Q = 11 y B = 1.70 dlares).
RESUMEN

Cuando los beneficios se pueden expresar como una funcin lineal de las variables
desconocidas, es posible simplificar el clculo del valor esperado con las ecuaciones 5-2 y 5-3, sin que se pierda informacin (si se acepta el criterio de decisin
del valor esperado).

Conclusin
La teora de la decisin se refiere a la eleccin de la mejor opcin de un conjunto de
acciones posibles, supuesto que hay incertidumbre acerca del estado de la naturaleza que existe. Al usar la regla de decisin del valor esperado, la eleccin se
puede lograr de manera consistente con las creencias de la persona que decide,
incluso si no hay probabilidades objetivas que puedan aplicarse a los estados de
la naturaleza.
El aporte principal de este procedimiento es que centra la atencin en todos los
sucesos posibles y requiere el clculo de las consecuencias de cada accin y cada
estado de la naturaleza posible. Incluso si el anlisis se detiene en la tabla
de valores condicionales o en el rbol de decisin, sera una contribucin a la
toma de decisiones. Sin embargo, es posible llegar ms lejos si se usa la regla de
decisin del valor esperado. No se justifica que el decisor se detenga despus
de realizar un solo clculo con el suceso ms probable, en vista de las tcnicas disponibles para incorporar la incertidumbre al anlisis.
La utilizacin de la regla de decisin del valor esperado implica relaciones
medibles de la utilidad. Los datos de entrada que existen para las decisiones del

156

Parte II Anlisis de decisiones

mundo real generalmente son monetarios, no medidas de la utilidad, y no siempre


ser apropiado basar una decisin en el valor monetario esperado. Tambin hay
otras medidas que pueden ser relevantes, como la varianza de los resultados
posibles.

Bibliografa
Bell, D., H. Raiffa y A. Tversky, editores, Decision
Making: Deschptive, Nonnative and Prescriptive Interaction, Cambridge, Cambridge University Press, 1988.
Bunn, D. W., Applied Decision Analysis, Nueva
York, McGraw-Hill, 1984.
Chernoff, H. y L. E. Moses, Elementary Decision
Theory, Nueva York, John Wiley & Sons, 1959.

Samson, D., Managerial Decision Analysis, Homewood, 111., Richard D. Irwin, 1988.
Weiss, L., Statistical Decision Theory, Nueva
York, McGraw-Hill, 1961.
Winkler, R. L., Introduction to Bayesian Inference
and Decision, Nueva York, Holt, Rinehart &
Winston, 1972.

Problemas con respuestas


5-1. Considere las acciones cuyos beneficios se
presentan en la tabla siguiente. Indique cul
accin o cules acciones son las mejores con
base en los siguiente criterios.
a. Sucesos igualmente probables.
b. Minimax.
c. Probabilidad mxima.
d. Valor esperado
5-2. Remtase al problema 5-1.
a. Cules acciones participan en la dominacin de resultados?
b. Cules acciones participan en la dominacin de sucesos?

c. Cules acciones participan en la dominacin estocstica?


d. Cules acciones no estn dominadas por
ningn tipo de dominacin?
5-3. El costo total de un producto es igual a:
T= 10 000 + BQ
Los ingresos totales son R = 20Q. El costo variable por unidad en el siguiente periodo es
una variable aleatoria con la distribucin de
probabilidad que se presenta en la pgina que
sigue.

Tabla de beneficios condicionales (problema 5-1)


Estado de la
naturaleza
q1
q2
q3
q4

Accin

Probabilidad
0.2
0.2
0.4
0.2

d1
0
0
0
0

d2
0
5
2
-3

d3
-4
-4
3
6

d4
5
0
3
6

d5
-1
2
5
3

d6

5
5
0
5

157

Captulo 5 Teora de la decisin

Valores de B
$5
6
7

5-4.

Probabilidad
0.10
0.50
0.40

a. Calcule el beneficio esperado para el prximo periodo, suponiendo que se vendern mil unidades.
b. Calcule el beneficio esperado para el
prximo periodo, suponiendo que hay
0.5 de probabilidad de vender mil unidades y 0.5 de probabilidad de no vender nada (suponga que B y Q son
independientes).
Un director de ventas presenta las probabilidades de niveles de demanda de la columna
de al lado para un producto nuevo.
Suponga que el costo de introduccin del
producto es 500 dlares y que el beneficio
por cada unidad que venda es cinco dlares.
Cul es el beneficio esperado del nuevo producto?

Probabilidad

Demanda
(unidades)

0.10
0.30
0.30
0.15
0.10
0.05

50
100
150
200
250
300

5-5. Remtase a la figura 4-4 del Captulo 4. Suponga que no se presenta ningn producto
competitivo; con base en esta hiptesis:
a. Haga una lista de todas las estrategias del
rbol de decisin de la figura 4-4.
b. Calcule la lotera de beneficios o perfil de
riesgo de cada una de las estrategias que
identific en (a).
c. Determine cul de las estrategias domina
a las dems.
d. Elabore un grfico de las distribuciones
acumuladas de los beneficios de todas las
estrategias.

Problemas
5-6. Considere una decisin empresarial con la
que est familiarizado. Defina las acciones y
los estados y haga estimaciones aproximadas
de los beneficios condicionales. Qu criterio
usara para tomar la decisin? Considere las
ventajas relativas de la hiptesis de sucesos
igualmente probables, minimax, probabilidad
mxima, dominacin y regla de decisin del
valor esperado.
5-7. En el texto se ha mencionado que las decisiones no siempre pueden basarse en clculos
que slo impliquen expresiones monetarias
de las consecuencias. Describa algunas situaciones empresariales donde son ms importantes los factores no monetarios.
5-8. Al tomar decisiones en condiciones de incertidumbre, podra un experto desarrollar un

procedimiento que garantice la decisin correcta? Explique.


5-9. En el captulo se mencionaron seis criterios
de decisin; cules son consistentes con los
individuos que compran billetes de lotera?
5-10. Una persona tiene tres alternativas de inversin con los rendimientos y las probabilidades que se presentan en la pgina
siguiente.
a. Compare las alternativas con base en el
criterio de dominacin. Puede encontrar
una alternativa que sea mejor? Qu tipo
de dominacin us para seleccionarla?
b. Si usa el criterio del valor esperado, cul
sera su eleccin?
5-11. Un gerente requiere una pieza para cierto
equipo. Puede comprar una pieza nueva o

158

Parte II Anlisis de decisiones

Rendimiento
($000)
-50
0
50
100
150

Probabilidades de rendimiento
de inversiones
Inversin Inversin B
A
0.4
0.0
0.4
0.2
0.0

versin C

0.2
0.0

0.2
0.1

0.2
0.4
0.2

0.1
0.6
0.0

usada; la pieza nueva cuesta ms que la usada,


pero es ms probable que funcione sin
problemas, algo que es de importancia vital.
De los seis criterios de decisin que se presentaron en este captulo, cul parece ser el
ms adecuado? Por qu?
5-12. Las siguientes probabilidades se asignan a los
valores posibles de la fraccin de piezas
defectuosas en un proceso de manufactura:
Suceso

0.01 defectuoso
0.02 defectuoso
0.03 defectuoso
0.04 defectuoso
0.05 defectuoso
0.10 defectuoso
0.15 defectuoso

Probabilidad
del suceso
0.10
0.15
0.20
0.30
0.20
0.03
0.02
1.00

Suponga que hay un lote de 50 000 piezas


y cada defectuosa cuesta 25 centavos por
concepto de trabajo adicional. Cul es el
costo esperado del trabajo adicional? Sera
ms barato inspeccionar todo el lote si la inspeccin cuesta tres centavos por pieza (suponiendo que la inspeccin elimina todos los
defectos)?
5-13. Usted es el presidente de una corporacin estadounidense que fabrica aeronaves. En Washington se ha hablado mucho de (a) ir a
Marte, (b) no ir a Marte y (c) ir a Marte con
los rusos. En su opinin, la probabilidad de
estos estados es 0.5, 0.4 y 0.1, respectivamen-

5-14.

te. Usted debe elaborar planes con vistas a estos estados posibles. Sus alternativas son: (a)
Continuar con la fabricacin de aviones, con
lo que obtendra beneficios por 10 millones
de dlares, sin importar la decisin acerca de
Marte, (b) Disear el sistema de carga para el
viaje a Marte (si no se aprueba el programa,
perder 30 millones de dlares; si lo aprueban, sus beneficios sern de 40 millones de
dlares, participen o no los rusos), (c) Disear el sistema de propulsin. Si el programa
fracasa, usted perder 100 millones de dlares. En cambio, de aprobarse el programa y
viajar con los rusos, lo ms probable es que
se use el sistema de propulsin ruso y sus beneficios sern de 20 millones de dlares. Si
los rusos no van, sus beneficios sern 80 millones de dlares. Base su decisin en los beneficios monetarios.
a. Cul es la mejor accin con la hiptesis
de estados igualmente probables
b. Cul es la accin minimax?
c. Cul es la accin de probabilidad
mxima?
d. Hay acciones dominadas?
e. Cul es la accin que maximiza el valor
esperado?
f. Qu decisin prefiere usted? Una
compaa piensa efectuar una campaa
publicitaria para aumentar las ventas de
Gadgeto, el producto principal de la compaa. Para el prximo ao se ha propuesto un
presupuesto de 300 000 dlares para
publicidad.
El gerente de ventas y el presidente de la
compaa estn de acuerdo en la distribucin
Aumento en
ventas
(unidades)
150 000
200 000
250 000
300 000
350 000
400 000
450 000

Probabilidad

0.05
0.25
0.30
0.20
0.10
0.05
0.05
1.00

Captulo 5 Teora de la decisin

5-15.

159

de probabilidad (la cual se muestra en la tabla anterior) para el efecto de la campaa de


publicidad en las ventas de Gadgeto.
La compaa obtiene 1.20 dlares de beneficio por cada Gadgeto que venda. Cules
son los beneficios incremntales esperados si
se lleva a cabo la campaa publicitaria? Dos
estudiantes pretenden usar el criterio de
igualdad de probabilidad en relacin con los
posibles resultados de dos lanzamientos de
una moneda. El estudiante A dice que para l
los tres resultados siguientes tienen igual probabilidad:
Cero caras en dos lanzamientos.
Una cara en dos lanzamientos.
Dos caras en dos lanzamientos.

5-16.

5-17.

5-18.

El estudiante B afirma que para l tienen la


misma probabilidad los resultados siguientes:
HH, HT, TH, TT (H = cara, T = cruz).
Si la moneda fuera legtima, que afirmacin preferira? Por qu? Remtase al
problema 4-19.
a. Prepare una tabla de valores condicionales
para las dos acciones (vender el contrato o
perforar) y los cuatro resultados posibles.
b. Cul es la mejor accin con el criterio de
igual probabilidad?
c. Cul es la mejor accin minimax?
d. Cul es la mejor accin con el criterio de
mayor probabilidad?
e. Cul es la mejor accin para maximizar
el valor esperado?
Un director debe llevar consigo 500 dlares
en muestras de mercanca en un viaje al extranjero. l estima que la probabilidad de perder la mercanca es de 0.05. Le ofrecen una
pliza de seguro de cobertura amplia por slo
55 dlares, la cual cubrira la prdida, y decide comprarla.
a. Desarrolle la tabla de costos condicionales.
b. Cul de los criterios de decisin que se
presentaron en el captulo es consistente
con su decisin?
Los habitantes de una comunidad suburbana realizaron una votacin acerca de asignar 10 000
dlares a la compra de un segundo camin de
bomberos. Los proponentes de la accin afirmaron que en los ltimos 10 aos (la vida espera-

5-19.

5-20.

da del camin) ocurrieron 20 incendios (de


un total de 1000 llamadas a la estacin de
bomberos), en los cuales la presencia de un
segundo camin hubiera permitido que los
bomberos realizarn mejor su trabajo. La
propuesta fue rechazada en la votacin.
a. Con base en el criterio del valor esperado,
cul es el beneficio monetario mximo
por incendio (de 20 casos) que se obtiene
al comprar otro camin), si los votantes siguieran ese criterio?
b. Suponga ahora que se informa a los votan
tes que-el valor de contar con el segundo
camin es 750 dlares por cada incendio
en el cual se use (o podra usarse), pero
aun as rechazan la propuesta. Qu criterios de decisin son consistentes con su
eleccin? Desarrolle la tabla de costos
condicionales.
Un fabricante de automviles ha descubierto
que si cambia el diseo del tanque de combustible reducira el riesgo de incendio en caso de
un golpe en la parte posterior del automvil.
La compaa estima que el beneficio total para
la sociedad es 25 millones de dlares. El costo
adicional de los cambios en el diseo sera 40
millones de dlares. La probabilidad de que un
automvil sea golpeado en la parte trasera por
otro vehculo es del 1 %.
a. Con base en el criterio VME, debera implantar el diseo el fabricante?
b. Desde el punto de vista del conductor,
aplicando el VME, preferira el automvil rediseado (a un costo ms alto)?
c. Qu criterio dara lugar a que el conductor
prefiriera el tanque rediseado, entre los criterios que se analizaron en el captulo?
Remtase a la figura 4-10 de la pgina 112.
a. Indique cules son las estrategias disponi
bles en este rbol de decisin. Incluya to
das las estrategias, incluso las que puedan
parecerle ridiculas.
b. Encuentre por lo menos dos estrategias
que estn dominadas por otras. Muestra
las loteras de beneficios (perfiles de riesgo) de las estrategias dominadas y de las
estrategias dominantes.
c. Algunas de las estrategias en (a) parecen
ridiculas o irracionales. Por qu le parecen ridiculas?

160

Parte II Anlisis de decisiones

Problemas ms difciles
5-21.
A continuacin se presenta una carta escrita
al editor de The New York Times3 el 28 de febrero de 1971.
Yalta: Falta de comunicacin con
respecto a la bomba
Seor editor:
En al artculo "The Truth About Yalta"
(La verdad acerca de Yalta), del 14 de febrero, C. L. Sulzberger analiza la declaracin que realiz el embajador Charles
Bphlen de los problemas principales a los
que se enfrentaron el presidente Roosevelt
y la delegacin estadounidense durante la
Conferencia de Yalta, en febrero de 1945.
El tercer prrafo de la declaracin incluye
lo siguiente:
"Aunque Roosevelt y algunos de sus
consejeros saban del Proyecto Manhattan,
nadie saba con certeza si la bomba
atmica realmente explotara ni cul sera
su efectividad como arma".
El problema se vea distinto desde el
punto de vista del laboratorio cientfico
Los Alamos, responsables del desarrollo
de la bomba. En febrero de 1945, a m y a
otros cientficos con conocimiento del tema
nos pareca que la probabilidad de que la
bomba atmica explotara era del 90%; que
en realidad sera un arma efectiva y que
habra material suficiente para construir
varias bombas en los meses siguientes.
Incluso si hubiera fracasado la primera
bomba, el proyecto triunfara en poco
tiempo. En la guerra, menos aun en la poltica, son pocas las cosas que tienen una
probabilidad tan buena como un 90%.
La razn por la cual esta certidumbre de
los cientficos no se transmiti a los decisores fue una deficiencia en la comunicacin: el exceso de sigilo y la falta de lazos
directos entre los cientficos y los funcionarios superiores del gobierno. Debido a
3 1972 The New York Times. Reimpreso con autorizacin.

esta deficiencia en la comunicacin directa, en Yalta, Estados Unidos propuso a Rusia que participara en el ataque a Japn,
con graves consecuencias para el futuro de
la situacin poltica en el Lejano Oriente.
Suponga que hubiera existido buena comunicacin; debera haber actuado el
gobierno de Estados Unidos con base en la
probabilidad del 90% de xito en el desarrollo? En mi opinin, por supuesto que s.
Una vez ms, en 1958 tuvimos la oportunidad de establecer una prohibicin de
las pruebas de armas nucleares, en una etapa cuando Estados Unidos llevaba ventaja
a la Unin Sovitica en lo referente al diseo de armamento. Sin embargo, nos
preocup la posibilidad de pruebas subterrneas clandestinas soviticas de armas
nucleares pequeas, por lo cual insistimos
en condiciones rigurosas de seguridad. La
Unin Sovitica no las acept y no se lleg
a ningn acuerdo hasta 1961.
En 1961, los rusos llevaron a cabo una
serie de pruebas de armas nucleares en las
cuales lograron igualar, en los aspectos
ms importantes, el rendimiento de las armas termonucleares estadounidenses. Una
vez ms, por insistir en la certidumbre, Estados Unidos volvi a perder una ventaja
clara.
El propsito de esta carta no es indicar
que nuestra poltica externa se deba centrar
en las ventajas sobre la Unin Sovitica. Lo
nico que deseo es plantear que al buscar
esta ventaja como parte de la poltica,
debemos actuar con base en probabilidades
tcnicas altas, en vez de requerir la certeza,
y tambin que sea fcil la comunicacin
entre las personas que conocen el asunto y
los decisores.
Hans Bethe
Ithaca, Nueva York, 16 de febrero de 1971
El autor, Premio Nobel de fsica en 1967,
fue jefe de las divisiones tericas del labora-

Captulo 5 Teora de la decisin


torio cientfico Los Alamos, de abril de 1943
a enero de 1946.
Comente esta carta, en especial los siguientes puntos:
a. El criterio de decisin que al parecer
se utiliz en los altos niveles gubernamentales.
b. El criterio de decisin que propone el autor de la carta.

161

5-22. Muchas veces se ha discutido que el gobierno de Estados Unidos debe alentar el uso de
otras fuentes de energa (por medio de subsidios, garantas y prstamos directos), aun
cuando las alternativas energticas pueden
ser ms costosas que el petrleo. Trate de
evaluar este problema utilizando un mtodo
de la teora de la decisin; es decir, defina las
alternativas, sucesos, beneficios y probabilidades y recomiende una alternativa.

CAPTULO

La utilidad como base para la


toma de decisiones
En los captulos anteriores se hizo hincapi en la maximizacin del valor monetario esperado. Sin embargo, hay situaciones empresariales en las cuales la
maximizacin del valor monetario esperado no conduce al curso de accin que
elegira la mayora de las personas. Un esquema para tratar estas situaciones lo
presenta la teora de la utilidad. La diferencia entre el valor monetario esperado
y la utilidad esperada se ilustrar con un ejemplo.
Ejemplo

Suponga que usted tiene una opcin en cada uno de los siguientes pares de
alternativas. Puede seleccionar una de las opciones/l, una de las opciones B o una
de las opciones C. Escriba una nota con respecto al conjunto de alternativas que
escoja.
A 1 = La seguridad de o A2 - Nada, si cae cara al lanzar una moneda, o un
un regalo de mil
ob sequ io de 2 50 00 0 d lares libres d e
dlares.
impuestos si cae cruz.
B1 = No pierde ni
o B2 = Una posibilidad sobre 100 de incurrir en una
gana nada.
deuda de 9000 dlares y el 99% de posibilidad
de ganar 100 dlares.
C1 = Un regalo de
o C2 = Un pago de 2N centavos, donde N es el nmero
10 000 dlares,
de veces que se lanza una moneda legtima
libres de
antes de que caiga cruz. Si cae cruz en el
impuestos
primer lanzamiento, usted recibe dos centavos;
si aparece cara en el primer lanzamiento y cruz
en el segundo, usted recibe cuatro centavos;
dos caras consecutivas le generan
ocho centavos, etctera. Sin embargo, slo
puede participar una vez y la secuencia se
detiene la primera vez que caiga cruz.

162

Captulo 6 La utilidad como base para la toma de decisiones

163

La mayora de las personas escogera el conjunto A1 B1 y C1; sin embargo, la


expectativa matemtica (o valor monetario esperado) favorece a las alternativas
A2, B2 y C2. El valor esperado de la alternativa A2 es un medio (la probabilidad de
que caiga cara con la moneda legtima) multiplicado por cero (el valor monetario
asociado con cara) ms un medio (la probabilidad de cruz) multiplicado por
250 000 dlares, o 125 000 dlares. Este valor esperado es 25 000 dlares ms
que el valor esperado de la opcin A1 por lo que debi seleccionar A2 si hubiera
querido maximizar el valor monetario esperado.
Algo parecido ocurre con B2; ya que el beneficio neto esperado es 99/100 (la
probabilidad apropiada) multiplicado por 100 dlares (la cantidad del beneficio)
menos 1/100 multiplicado por 9000 dlares. Esta cantidad es nueve dlares,
mayor que el beneficio de cero que se relaciona con B1. Si usted toma las
decisiones de forma que maximice el beneficio monetario esperado, aceptara la
pequea posibilidad de una gran prdida; sin embargo, la mayora de nosotros
escogeramos B1.
El valor monetario esperado del juego que se describe en C es infinito. La
probabilidad de que la primera cruz aparezca en el primer lanzamiento es V2; en
el segundo lanzamiento, ; en el tercero, 1/8 ; en el cuarto, 1/16; etctera. Las
recompensas relacionadas seran dos centavos, cuatro centavos, ocho centavos,
16 centavos, etctera. Por definicin, el valor monetario esperado es la suma de
los resultados monetarios, ponderado por las probabilidades. En este caso:

El hecho de que ninguna persona prudente preferira este juego frente a una
cantidad cierta de dinero modesta, forma la base de la famosa paradoja de San
Petersburgo. Esta paradoja condujo a Daniel Bernoulli a sus primeras investigaciones de la utilidad como base para la toma de decisiones en vez del valor
monetario esperado.

Utilidad
Puesto que la mayora de las personas elegira A1 B1 y Cl en vez de las alternativas
con mayor expectativa monetaria, parece razonable concluir que las personas no
siempre toman decisiones para maximizar el valor monetario esperado. Entonces,
cul es el criterio alternativo para la toma de decisiones? Von Neumann y
Morgenstern elaboraron un marco consistente con las decisiones del tipo de A1
B1 y C1.1 Ellos plantearon que las decisiones se tomaban para maximizar la
utilidad esperada en vez del valor monetario esperado. Si usted selecciona A1 en
lugar de A2, entonces llegaramos a la conclusin de que la alternativa A1 tiene

J. von Neumann y O. Morgenstern, Theory ofGames and Economic Behavior, Princeton, Princeton Uni versity
Press, 1944.

164

Parte II Anlisis de decisiones

para usted ms utilidad que la alternativa A2. Si usted fuera indiferente ante las
dos alternativas, digamos B1 y B2, la conclusin sera que cada una le ofrece la
misma utilidad esperada. La indiferencia puede definirse como su aceptacin de
cualquier resultado al azar o como el permiso para que alguna persona extraa
decida por usted. Es posible generalizar la funcin de utilidad de un bien (por lo
general el dinero) para un persona, de manera que sea consistente con la lgica y
la observacin de decisiones repetitivas. De ello se desprende que es razonable
suponer que las personas toman decisiones para maximizar la utilidad esperada,
ms que el valor esperado. Pero el uso de la utilidad esperada no es una eleccin
gratuita, en tanto que el valor monetario esperado es un concepto sin ambigedades y relativamente fcil de calcular. Sera conveniente que se pudieran relacionar
los distintos resultados monetarios con ndices de las preferencias del decisor. As
se podra transformar un conjunto complejo de alternativas en medidas de la
utilidad a fin de tomar una decisin. Nuestro propsito en este captulo es
relacionar el dinero y un ndice de utilidad, y obtener generalizaciones acerca de
esta relacin en situaciones de riesgo.

Medida de la utilidad
Es posible medir la utilidad del dinero? Para tratar de responder esta pregunta,
se considerarn tres escalas de medicin distintas:
1. Escala nominal o de clasificacin.
2. Escala ordinal o de categoras.
3. Escala cardinal o de intervalos.
Una escala nominal asigna una descripcin a un conjunto de elementos. Estos
elementos pueden ser una unidad fsica o una condicin, mientras que la descripcin puede ser un nmero (como en un sistema de numeracin de jugadores de
ftbol), o una palabra, (como cuando un nio dice que tiene hambre o que no
tiene hambre). En ocasiones una escala nominal puede ser til para el anlisis de
decisiones. Por ejemplo, un conjunto de resultados puede dividirse en subconjuntos o clasificaciones de "satisfactorio" y "no satisfactorio". Las inversiones se
pueden clasificar en dos clases, "aceptables" e "inaceptables", en una escala
nominal. Una forma de calificar podra asignar dos calificaciones, "aprobado" o
"suspendido". Es fcil concebir medidas nominales de la utilidad. Por ejemplo,
las acciones se podran clasificar como "las que tienen utilidad negativa" (desutilidad) o "positiva". Sin embargo, una escala nominal que no contiene orden o
clasificacin puede resultar intil en el anlisis de decisiones.
Una medida ordinal aade el concepto de orden relativo o clasificacin. Unos
objetos son "ms" o "menos" que otros objetos. Una persona puede afirmar que
un sonido es ms fuerte que otro. Varias fuentes luminosas pueden clasificarse
por su intensidad, sin requerir una medicin numrica de la cantidad de luz. Sin
un cronmetro se puede determinar quin es el ganador de una carrera. Tambin
se podra intentar clasificar todas las inversiones de acuerdo con su deseabilidad
relativa (aunque puede ser ms fcil describir que lograr este proceso).

Captulo 6 La utilidad como base para la toma de decisiones

165

Las medidas ordinales de la utilidad se usan para analizar situaciones con


opciones sin riesgos. El anlisis de la curva de indiferencia recoge alternativas de
igual utilidad (es decir, la persona es indiferente a stas alternativas) y compara
una de estas alternativas con las de otra curva de indiferencia mayor (y ms
deseable) o menor (y menos deseable). Si las inversiones pudieran clasificarse,
esto implicara que se dispone de una medida ordinal de su deseabilidad.
Con una medida cardinal, se asigna un nmero que es una medida de intervalo
de una caracterstica. De esta forma, un trozo de madera puede tener un cierto
nmero de centmetros de longitud, un cierto nmero de kilogramos de peso y un
cierto nmero de centmetros cbicos de volumen. En un sentido cardinal se
pueden medir cosas como distancia, peso, luz, sonido, tiempo y calor. Una medida
cardinal permite efectuar manipulaciones matemticas; por ejemplo, todas las
bolsas de dos kilogramos de azcar pesan lo mismo y si tenemos dos bolsas de
dos kilogramos entonces tenemos cuatro kilogramos de azcar.
La medida de la utilidad de Von Neumann y Morgenstern es un tipo especial
de medida cardinal (algunas personas diran que es un tipo especial de medida
ordinal), ya que mide la utilidad en situaciones que implican riesgo para el decisor.
Al usar esta medida de la utilidad es posible pronosticar cul lotera preferir un
inversor y por lo tanto permite que el gerente tome la decisin en nombre
del inversor. En ocasiones el inversor tomar decisiones que no son consistentes
con su funcin de utilidad, pero por lo general se puede rectificar este tipo de
inconsistencia y el inversor vuelve a considerar la decisin.
Una funcin de utilidad es el resultado de la actitud de una persona frente al
riesgo. No hay respuestas correctas o incorrectas (aunque pueden surgir inconsistencias por causa de malos entendidos). Por ello, si a usted le preguntan qu
cantidad aceptara en lugar de participar en una lotera con 0.5 de probabilidad de
perder 500 dlares y 0.5 de ganar mil dlares, la respuesta es una preferencia
personal y no un clculo matemtico (si la pregunta se hiciera a un grupo de
50 personas, es probable que se obtengan cerca de 50 respuestas distintas).

Hiptesis psicolgicas
El uso de la utilidad en la toma de decisiones implica exigir ciertas hiptesis acerca
de cmo reacciona un individuo ante los resultados. Como lo que pretendemos es
medir las actitudes con respecto a situaciones inciertas, es importante que el
modelo utilizado para tomar la decisin sea consistente con las caractersticas
psicolgicas de las personas.
Se harn las siguientes siete hiptesis:
1. Ante dos alternativas, podemos decidir si somos indiferentes a ellas o cul
preferimos. Esto parece un requisito trivial, pero es necesario. De hecho, puede
ser difcil determinar una reaccin especfica inequvoca ante pares de alternativas. Por ejemplo preferira usted 200 dlares seguros o una lotera con la
misma probabilidad de no ganar nada o ganar mil dlares? Cambie el resultado
cierto hasta que su preferencia sea diferente. Es muy difcil encontrar el punto

166

Parte II Anlisis de decisiones


exacto de indiferencia entre las dos loteras y con frecuencia la respuesta es
dudosa.
2. Las alternativas son transitivas; es decir, si se prefiere A en lugar de B y B en
vez de C, entonces A es preferida a C. As mismo, si A es igual que B y B es igual
que C, entonces A es igual que C. Es posible que una persona clasifique pares de
manera intransitiva, cuando existe poca diferencia en el grado de preferencia y
son muchas las alternativas. Esto quiere decir que una persona puede ser inconsistente en las decisiones cerradas. Por ejemplo, un individuo puede preferir un
viaje a Nassau en vez de uno a Bermudas y un viaje a Bermudas en lugar de uno
a Hawai, pero al mismo tiempo preferir el viaje a Hawai en lugar del viaje a
Nassau. Esto es intransitivo, pero puede ser el resultado de que los tres viajes son
muy atractivos; aunque la persona trate de establecer preferencias, es tan pequea
la diferencia entre las tres opciones que se aproxima a la indiferencia. Un decisor
debe ser capaz de eliminar este tipo de intransitividad volviendo a examinar
las opciones.
3. Si una persona es indiferente frente a dos loteras, entonces stas pueden
sustituirse mutuamente para fines de anlisis. Por ejemplo, antes se compar la
misma probabilidad de no ganar nada y ganar mil dlares con la seguridad de
obtener 200 dlares. Si usted es indiferente entre estas dos loteras, entonces se
puede usar la segunda (200 dlares seguros) como sustituto de la primera. Es ms,
se puede afirmar que las utilidades de las dos loteras son iguales.
4. Si dos loteras tienen los dos mismos resultados posibles, pero estos resultados
tienen probabilidades distintas, entonces la lotera con mayor probabilidad para
el resultado ms favorable es la lotera preferida.2
Ejemplo

Considere las dos loteras que se muestran en la tabla 6-1. Debe preferirse la lotera
A a la B.
5. Si se prefiere A en vez de B y B en vez de C, entonces existe una lotera de
resultados A y C que el indiferente al resultado cierto B.

Ejemplo

Sea:
A = $1000
B = $400
C = $0
Construiremos una lotera que comprenda a A con probabilidad p, y a C con
probabilidad (1 - p). El valor monetario esperado de la lotera ser:
A(p) + C(1 - p) = 1000p + 0(1 - p)
2

Esta es una forma de la dominacin de probabilidades que se analiz en el captulo 5.

Captulo 6 La utilidad como base para la toma de decisiones

167

Tabla 6-1
Probabilidades de los
resultados de la lotera
Resultados posibles

$1 000 0

0.80
0.20

0.50
0.50

Para qu valor de p sera usted indiferente entre la lotera anterior y el


resultado cierto 5? Si existe dicho valor, entonces se satisface la hiptesis 5; B
sera el equivalente cierto de la lotera.
6. Si A es preferida a B, y existe una tercera alternativa C, entonces cualquier
lotera que contenga a A y C es preferida a una lotera correspondiente con B y C,
si las probabilidades asignadas son iguales en las dos loteras. Es necesario que
la probabilidad de C sea menor que uno.
Ejemplo

Sea:
A = $1000
B = $400
C = $0
A(p) + C(l - p) es preferida a B(p) + C(l - p). Si p es igual a 0.6, entonces
$1000 0.6 + $200 0.4 es preferida a $400 0.6 + $200 0.4.
La hiptesis 6 tambin puede expresarse como sigue: Si una lotera de A y C
es preferida a una lotera de B y C, donde C tiene la misma probabilidad (menor
que uno) en ambas loteras, entonces A es preferida a B.
7. Se define la utilidad de una lotera como la expectativa de la utilidad de sus
componentes.
La hiptesis de que la utilidad de una lotera es la suma de las expectativas
de la utilidad de sus componentes es conveniente para la manipulacin matemtica.3 Supongamos que una lotera, Lu tiene los resultados que se muestran
en la tabla 6-2, en la que se asigna una medida de la utilidad y una probabilidad de ocurrencia a cada resultado. La utilidad de la lotera se define como:
U(L1) =plU(A1) +p2U(A2) + ... +pnU(An)

Para una demostracin, vase R. Dorfman, P. A. Samuelson y R. M. Solow, Linear Programming andEconomic
Analysis, Nueva York, McGraw-Hill, 1958, pgs. 465-469.

168

Parte II Anlisis de decisiones

Tabla 6-2

La lotera L1 puede tener una probabilidad de ocurrencia. Suponga que la


lotera , tiene una probabilidad de r, y la lotera L2 tiene probabilidad de (1 - r).
La utilidad de las dos loteras es U(L):
U(L) = rU(L1) + (1 - r)U(L2)
Ejemplo

Suponga dos loteras (vase Tabla 6-3):


U(L1) = 0.6 - 5 0 + 0.4 0 = 30
U (L2)= 1.0 - 4 0 = 40
Suponga que L1 tiene una probabilidad de 0.8 y L2 tiene una probabilidad de
0.2. La utilidad esperada de la apuesta (es decir, de las dos loteras) es:
U(L) = 0.8 30 + 0.2 40 = 32
Cambio de escala
La escala de utilidad es arbitraria, por lo que podemos cambiar la escala y el origen
sin contradecir las hiptesis. Especficamente, si a y b son dos constantes, b > 0
y U(L) es una funcin de utilidad, entonces V(L) es una funcin de utilidad
equivalente donde:
V(L) = a + bU(L) para b > 0
Las decisiones que se toman usando la funcin de utilidad V(L) seran idnticas a las que se efectuaran con U(L). En otras palabras, se puede aadir una constante a la funcin de utilidad, o cambiar la unidad (pendiente). Se dice que una
funcin de utilidad es nica ante una transformacin lineal que conserva el orden.4

El sentido en que Von Neumann y Morgenstern emplean el trmino utilidad es ligeramente distinto al de su
aplicacin tradicional en la economa. En el sentido de Von Neumann, la utilidad se relaciona con elecciones en
las que hay incertidumbre; en la versin econmica, ms antigua, la utilidad representaba la satisfaccin intrnseca
que se obtena con un bien. En el anlisis posterior se har ms clara esta diferencia. En algunos libros recientes
se ha empleado el trmino preferencia en vez de utilidad, para evitar esta confusin.

Captulo 6 La utilidad como base para la toma de decisiones

169

Tabla 6-3

Obtencin de una funcin de utilidad para el dinero


Hay que asignar valores de utilidad a todos los resultados para que puedan servir
en la toma de decisiones. En muchos casos estos resultados no son de naturaleza
monetaria. Por ejemplo, al efectuar un diagnstico mdico, un doctor debe sopesar
factores como el dolor y el sufrimiento, la prdida de trabajo por la hospitalizacin, los efectos psicolgicos, los costos e incluso la muerte. Es posible utilizar
el mtodo de Von Neumann y Morgenstern para asignar valores de utilidad a estos
resultados. Sin embargo, en la mayora de los problemas empresariales, las
consecuencias monetarias son las ms importantes. Por lo tanto, este libro se
centrar principalmente en evaluar la funcin de utilidad del dinero.

La forma de las funciones de utilidad


Es posible efectuar algunas generalizaciones sobre la forma usual de una funcin
de utilidad. Las personas generalmente consideran que el dinero es un bien
preciado y prefieren tener ms que menos. La medida de la utilidad de una gran
cantidad de dinero normalmente es mayor que la medida de la utilidad de
una cantidad pequea, y la funcin de utilidad aumenta en cualquier intervalo
relevante de la cantidad de dinero. Se puede decir que una funcin de utilidad es
la que tiene una pendiente positiva en este intervalo relevante. En este caso la
pendiente es la razn de un cambio incremental en el ndice de utilidad [U(M)]
como resultado del cambio incremental en la cantidad monetaria (M). LOS
cambios incremntales siempre tendrn el mismo signo, por lo que se puede
escribir:

Esta medida de la pendiente se denomina utilidad marginal del dinero y, con


excepcin del signo algebraico, es una medida arbitraria. Lo anterior se obtiene
del hecho de que una funcin de utilidad es nica slo ante una transformacin
lineal.
La pendiente de una funcin de utilidad es positiva y es probable que no vare
como respuesta a cambios pequeos en las existencias monetarias. De esto se
sigue que, en el caso de variaciones pequeas en la cantidad de dinero que recibe
un individuo, la funcin de utilidad en ese intervalo tiene una pendiente aproxi-

170

Parte II Anlisis de decisiones

Figura 6-1

Utilidad lineal del dinero

madamente constante y se puede considerar como lineal. Si la funcin de la


utilidad es lineal [U(M), en la figura 6-1], la persona maximiza la utilidad esperada
maximizando el valor monetario esperado. Por lo tanto, el valor monetario
esperado puede servir como gua para la toma de decisiones slo cuando hay razn
para creer que la funcin de la utilidad pertinente es lineal en el intervalo de
posibles resultados. Se ha visto que es una condicin muy poco probable en el
caso de grandes variaciones en la cantidad de dinero. En los extremos, con
prdidas o beneficios de gran magnitud, es casi seguro que la funcin de utilidad
se aproxime a los lmites superiores e inferiores. Por lo general, la pendiente de
la curva crecer de manera pronunciada conforme aumente la cantidad de la
prdida, lo que indica que la desutilidad de una prdida cuantiosa es proporcionalmente mayor que la desutilidad de una prdida pequea, pero la curva se
estabilizar (es decir, la pendiente tender a cero) cuando la prdida sea muy
grande. De manera anloga, con grandes cantidades de dinero, la pendiente de la
funcin es cada vez ms pequea si se aade ms a las existencias. Estas
observaciones son consistentes con la tradicional "utilidad marginal decreciente"
de la psicologa del consumidor. Tambin son consistentes con el concepto de la
"aversin al riesgo" que existe en la mayora de los problemas de decisiones
empresariales. En la figura 6-2 se muestra un ejemplo de una funcin de utilidad
adversa al riesgo; si un individuo es adverso al riesgo, la utilidad esperada de la
apuesta es menor que la utilidad del valor monetario esperado.
Es posible que el decisor muestre preferencia por el riesgo, por lo menos dentro
de los lmites de la funcin de utilidad. En este caso, la utilidad esperada de una
apuesta es mayor que la utilidad del valor monetario esperado. En la figura 6-2
tambin se presenta una funcin de utilidad de preferencia por el riesgo.

Captulo 6 La utilidad como base para la toma de decisiones

Figura 6-2

171

Funciones de utilidad

Construccin de una funcin de utilidad


El primer paso para obtener una funcin de utilidad es determinar dos valores que
se usarn como puntos de referencia. Por conveniencia, pueden ser el mayor y el
menor valor monetario existentes en el problema de decisin. Los valores de
utilidad correspondientes a estos valores monetarios se seleccionan en forma
arbitraria; por conveniencia, se podran asignar valores de 0 y 1 a estos valores
monetarios. Por ejemplo, si el problema de decisin incluye valores monetarios
entre -10 000 dlares y 100 000 dlares, la utilidad 0 se asignara a -10 000
dlares y la utilidad de 1.0 a los 100 000 dlares. Es decir:
U(-$10 000) = 0 y

U($100 000) = 1.0

La seleccin de los valores 0 y 1 para la utilidad es arbitraria; tambin pudieron


seleccionarse valores de -29 y +132, u otros. En este sentido, la escala de la
utilidad es como la de la temperatura. Las escalas Celsius y Fahrenheit miden
la temperatura, pero presentan lecturas diferentes para el punto de congelacin
del agua (0o y 32, respectivamente) y para el punto de ebullicin (100 y 212,
respectivamente).
Despus formule una alternativa A1 que ofrezca una probabilidad de 0.5 de
-10 000 dlares y 0.5 de +100 000 dlares. La utilidad esperada de esta alternativa
es la suma de las asignaciones de utilidad a los sucesos posibles, ponderadas por
las probabilidades respectivas. En este caso:
U(A1) = 1/2U(-$10 000) + 1/2U($100 000) = (0) + (l) = 0.5
El siguiente paso es formular otra alternativa (A2) que genere una cantidad
cierta de dinero, digamos, 25 000 dlares. Ahora tiene que escoger entre las dos

172

Parte II Anlisis de decisiones


alternativas, A1 y A2. Supongamos que escoge A2, o los 25 000 dlares seguros;
entonces, se infiere que:
U(A2) > U(A1) = 0.5
o U($25 000) > U (+$10 000) + U($100 000) = 0.5; es decir, la utilidad de
25 000 dlares es mayor que Vi. Ya que 25 000 dlares es preferida a A1 se llega
a la conclusin de que el ndice de utilidad de A2 es mayor que . Luego suponga
que le ofrecen 5000 dlares seguros (A3) y descubre que prefiere A1 en lugar de A3.
sto implicara que el ndice de utilidad de los 5000 dlares sera menor que .
Si tuviera la paciencia suficiente, podra seguir proponiendo acciones alternativas
que generaran cantidades ciertas de dinero, hasta descubrir una que tuviera
el mismo atractivo que A1. Suponga que esta oferta es la cantidad de 15 000
dlares, de lo cual se podra inferir que le es indiferente tener 15 000 dlares
seguros o la propuesta original. Entonces, la asignacin de utilidad a 15 000
debe ser:
U ($15 000) = U (-$10 000) + U ($100 000) = 0.5
Ahora se tienen tres puntos por los cuales pasa la funcin de utilidad. Es posible
efectuar otras evaluaciones anlogas de la utilidad. Por ejemplo, proponga una
alternativa que ofrezca 0.5 de probabilidad de obtener 15 000 dlares y 0.5 de
obtener 100 000 dlares. Luego encuentre la cantidad que deben ofrecerle con
certeza para que le sea indiferente a la oportunidad con riesgo. Digamos que esta
cantidad es 47 000 dlares. Entonces, se podra concluir que la asignacin de
utilidad apropiada para los 47 000 dlares es:
U($47 000) = U($15 000) + U($100 000)
= (0.5) + (1) = 0.75
Despus proponga una alternativa con 0.5 de probabilidad de obtener 15 000
dlares y 0.5 de que sean -10 000 dlares. Usted puede considerar que esta
alternativa no es favorable y est dispuesto a pagar cierta cantidad para deshacerse
de ella (de la misma manera en que una persona compra un seguro para cubrir el
riesgo). Suponga que le son indiferentes -2500 dlares (es decir, un pago de 2500
dlares) y la oportunidad con riesgo; entonces:
U (-$2500) = U(-$10 000) + U($15 000)
= (0) + (0.5) = 0.25
Ahora cuenta con cinco puntos de la funcin de utilidad que se presenta en la
tabla 6-4 y en la figura 6-3. Estos puntos se pueden unir por medio de una curva
suave para dar una aproximacin de la funcin de utilidad en todo el intervalo:
-10 000 dlares a 100 000 dlares.
Observe que:
U($15 000)=0.5

Captulo 6 La utilidad como base para la toma de decisiones

Tabla 6-4

173

Puntos de utilidad determinados


Valor monetario Indice de utilidad
U(M)
M
$-10 000
-2 500
15 000
47 000
100 000

0
0.25
0.50
0.75
1.0

y que:
U(-$2500) + U($47 000) = (0.25) + (0.75) = 0.5
Por lo tanto, como revisin final de sus asignaciones, le debe ser indiferente
tener 15 000 dlares seguros o una alternativa que implica una probabilidad del
50% de -2500 dlares y del 50 % de obtener 47 000 dlares. Si lo anterior no es
verdadero, sus evaluaciones no son consistentes y deben modificarse.
Otro procedimiento para construir la funcin de utilidad es escoger un valor
monetario cierto y determinar a continuacin las probabilidades que haran que
una apuesta con los valores mnimo y mximo fuera equivalente a la cantidad
cierta. Por ejemplo, si se eligiera la cantidad segura L, se formulara la ecuacin:
pU($100 000) + (1 - p)U(-$10 000) = U(L)
y se encontrara la probabilidad p que hace que el decisor sea indiferente entre los
dos lados de la ecuacin. Como ejemplo, si L fuera 25 000 dlares, el decisor
tendra que asignar una probabilidad p tal que le fuera indiferente tener 25 000
dlares seguros, o una probabilidad p de 100 000 dlares y una probabilidad
(1 - p) de -10 000 dlares. En este caso p podra ser 0.60; entonces:
U(L) = U($25 000) = 0.6U($100 000) + 0.4U(-$10 000)
= 0.6(1) + 0.4(0) = 0.6
(porque se estableci U($ 100 000) = 1.0 y U(-$ 10 000) = 0, U(L) =p). Para obtener
otros valores de la curva de utilidad se seleccionaran otros valores de L y se
determinara la probabilidad p. De esta manera se podra obtener una curva
semejante a la de la figura 6-3.

Utilizacin de funciones de utilidad


Una funcin de utilidad representa la actitud subjetiva con respecto al riesgo del
decisor. Por ello, la funcin de utilidad de una persona se puede usar para evaluar
alternativas de decisin que implican resultados inciertos.

174

Parte II Anlisis de decisiones

Figura 6-3

Funcin de utilidad determinada

Ejemplo

Suponga que una persona debe escoger una de dos alternativas. La alternativa A
comprende un contrato en el que la compaa obtendra con seguridad beneficios
de 20 000 dlares. La alternativa B, por otra parte, es la introduccin de un
producto nuevo y se desconocen las ventas que lograra el producto y, por
consiguiente, los beneficios. La gerencia asign las probabilidades que se muestran en la tabla 6-5 a las diversas posibilidades de obtencin de beneficios.
El valor monetario esperado de la alternativa B es 25 000 dlares. Con base
en ello, se preferira B en lugar de A; sin embargo, si la persona fuera adversa
al riesgo, podra cambiar la preferencia. Observe que en la alternativa B hay
un 30% de probabilidad de no obtener beneficios y un 10% de perder dinero.
Si el decisor tuviera la funcin de utilidad que se muestra en la figura 6-3,
se evaluara esta alternativa con base en los valores de utilidad, en vez de
los valores monetarios. Los valores de utilidad relacionados con cada uno de los
beneficios se podran obtener por interpolacin en la figura 6-3; estos valores se presentan en la tabla 6-5. Despus se usaran las probabilidades de la
misma tabla para calcular la utilidad esperada (multiplicando las probabilidades
por las cantidades de utilidad, y sumando). La utilidad esperada calculada es
0.524. Observe que la utilidad de los 20 000 dlares es de 0.55 en la tabla 6-5.
Por lo tanto, la utilidad esperada de la alternativa B es menor que la utilidad del
contrato que representa 20 000 dlares seguros y debe aceptarse el contrato
seguro.

Captulo 6 La utilidad como base para la toma de decisiones

Tabla 6-5

175

Probabilidades, beneficios y utilidades de la alternativa B


Probabilidad

0.1
0.3
0.2
0.2
0.1
0.1
Valores esperados:

Beneficios
(miles de Utilidad
dlares)
-$10
0
20
40
60
80
$25

0
0.30
0.55
0.71
0.82
0.90
0.524

Equivalentes ciertos
En este captulo se ha presentado varias veces el concepto de equivalente cierto;
veamos ahora con mayor detalle su significado. Considere una situacin de
decisin incierta, que puede representarse por una lotera, L, con resultados
monetarios A1 y A2 y probabilidades p y (1 - p) correspondientes. El equivalente
cierto es la cantidad monetaria cierta o segura A* que es equivalente (para el
decisor) a la lotera L.
El equivalente cierto puede interpretarse como lo mximo que pagara el
decisor por un seguro que lo librara de un riesgo indeseable (por ejemplo, la prima
mxima que pagara para proteger su casa contra un incendio). Tambin se podra
considerar el equivalente cierto como la cantidad cierta mnima que uno estara dispuesto a aceptar para vender un conjunto de resultados inciertos, pero
deseables.
Una vez que se obtiene la funcin de utilidad del decisor y las probabilidades
de una situacin de decisin determinada, es fcil obtener el equivalente cierto
con los mtodos descritos previamente. En el ejemplo anterior, la alternativa de
introducir un producto nuevo tiene utilidad esperada de 0.524. Si 17 500 dlares
tambin tuvieran utilidad esperada de 0.524, se podra decir que la cifra de 17 500
dlares es el equivalente cierto de la alternativa que implica la introduccin del
nuevo producto. Cuando uno se enfrenta a una situacin de decisin incierta, es
provechoso determinar directamente el equivalente cierto preguntando al decisor.
Si su respuesta no concuerda con el valor que se calcul con la funcin de utilidad
y las probabilidades, entonces se presenta una inconsistencia, la cual puede
deberse a la curva de utilidad o a las probabilidades asignadas a los resultados.
Por ello, el equivalente cierto sirve como prueba de la validez del anlisis.
El equivalente cierto tiene otra aplicacin en el anlisis de situaciones de
decisin complejas. Hasta ahora nuestro procedimiento ha requerido obtener las
probabilidades de los diversos resultados y una funcin de utilidad, como entradas
separadas para el proceso de toma de decisiones. Puesto que ambas representan
opiniones subjetivas del decisor, en ocasiones es conveniente recortar el anlisis
y obtener directamente un equivalente cierto.

176

Parte II Anlisis de decisiones

Figura 6-4

Funcin de utilidad

Ejemplo

Una empresa concursa para obtener un contrato para proveer mil unidades de un
componente electrnico y tiene que decidir cul ser su precio de oferta. Un factor
incierto en el proceso de decisin es la posibilidad de que sus trabajadores inicien
una huelga. Si ocurre la huelga, habr demoras y multas por incumplimiento de
las fechas establecidas en el contrato. Para que el anlisis de la decisin sea ms
sencillo, podemos preguntar al fabricante cunto estara dispuesto a pagar por un
seguro contra las prdidas que pudieran ocurrir debido a la huelga. La respuesta
podra ser, por ejemplo, 3000 dlares. Esta cantidad es un equivalente cierto de
la situacin incierta relacionada con la huelga (los resultados monetarios con la
huelga y sin ella y las probabilidades asociadas). Es probable que el decisor no
pueda comprar un seguro de este tipo, pero el equivalente cierto proporciona una
cifra que puede usarse en el anlisis para determinar la cotizacin apropiada que
debe presentar el fabricante.
Primas de riesgo
Suponga que un individuo tiene una funcin de utilidad U(I) como la que se
muestra en la figura 6-4. Considere primero una apuesta que otorga una probabilidad de para la cantidad I1 y de para la cantidad I3. El valor monetario
esperado (VME) de esta apuesta es I2. El equivalente cierto de la apuesta es I*, la
cantidad cierta que tiene utilidad igual a la utilidad esperada de la apuesta [es

Captulo 6 La utilidad como base para la toma de decisiones

177

decir, U(I1) + U(I3) = U(I*)]. La diferencia entre el VME y el equivalente


cierto (EC) de la apuesta (o sea, I2 - I*) es la prima de riesgo asociada con la
apuesta del individuo. La prima de riesgo es una medida de la aversin al riesgo
que existe en determinado segmento de la funcin de utilidad de una persona. En
el caso de presentar la misma apuesta a dos individuos, el que tenga mayor prima
de riesgo es el ms adverso al riesgo.
La prima de riesgo de un individuo por lo general no ser igual en distintas
partes de la funcin de utilidad. Considere una segunda apuesta con posibilidad
de un medio para I3 y de un medio para I5, de forma tal que la distancia de I3 a I5 sea
la misma que de I1 a I3 (es decir, I5 - I3 = I3 I1). A esta segunda apuesta se le
puede considerar como si estuviera formada por una cantidad segura (I3 I1)
ms la primera apuesta, con I1 e I3. En este sentido, la segunda apuesta es igual
que la primera, excepto por la diferencia en el punto de partida (I3 en lugar de I1).
El valor esperado es I4 y el equivalente cierto es I). Observe que la prima de
riesgo de la segunda apuesta (I4 - I) es menor que la prima de riesgo de la primera
apuesta. Por lo tanto, la funcin de utilidad que se muestra en la figura 6-4 tiene
la propiedad de aversin decreciente al riesgo. En otras palabras, el individuo
es menos adverso al riesgo a medida que aumenta la cantidad de dinero I.
Esta propiedad de aversin decreciente al riesgo parece apropiada para la mayora de las decisiones empresariales y gran parte de las personales. La posibilidad
de una prdida de cierta magnitud puede parecer menos importante cuanto mayor
es la riqueza que posee el inversor.

Funciones de utilidad y preferencia por el riesgo


Existe evidencia emprica de que las funciones de utilidad de muchos individuos
tienen una rea de preferencia por el riesgo.5 En esta rea, la pendiente de la
funcin de utilidad aumenta hasta un punto de inflexin y despus se reduce
(la figura 6-5 tiene dos puntos de inflexin).
Es bastante consistente que un individuo con una funcin de utilidad de esta
forma [U(M), en la figura 6-5] (1) pague una pequea prima de seguro contra
grandes prdidas, incluso cuando la prima incluya un costo de "carga" mayor que
el costo actuarial de tomar el riesgo; y (2) al mismo tiempo acepte propuestas
que suponen el riesgo de obtener beneficios modestos o cuantiosos a cambio de
pequeas inversiones, incluso si la expectativa matemtica hace que la apuesta
parezca injusta.
Ejemplo

Considere un empresario cuya tabla de utilidad contiene los valores de la tabla 6-6
y suponga que existen dos decisiones: (a) Es deseable pagar una prima de

La conjetura original se debe a Friedman y Savage, "The Utility Analysis of Choices Involving Risk", Journal of
Political Economy, agosto de 1948, apoyada por las observaciones empricas de que muchas personas estaban
dispuestas a aceptar operaciones de riesgo (es decir, loteras) en las que puede darse un "muy buen" resultado
con baja probabilidad al mismo tiempo que se aseguraban contra prdidas cuantiosas. Con posterioridad a esta
idea, se ha obtenido apoyo experimental que confirma esta perspectiva.

178

Parte II Anlisis de decisiones

Figura 6-5

Utilidad de la riqueza

100 dlares para asegurarse contra la posibilidad de una prdida de 10 000 dlares
por incendio si la posibilidad de un incendio en la propiedad del empresario es de
1 en 200? (b) Es deseable invertir 100 dlares en un proyecto de perforacin para
buscar petrleo, en el cual un gelogo indica que slo hay una posibilidad en 200
de encontrar petrleo (con la expectativa de 10 000 dlares de beneficio) y
199/200 de probabilidad de perder la inversin de 100 dlares? Analicemos estas
decisiones en funcin de las expectativas que se calculan a partir de las medidas
de la utilidad. En la tabla 6-7 se describe la decisin de asegurar o no asegurar.
En la tabla 6-7, la utilidad esperada de la accin 1 es menor que la utilidad
esperada de la accin 2; el empresario maximiza la utilidad si elige la accin 2
(asegurar).
Tabla 6-6
M

U(M)

-$10 000
-200
-100

0
10 000

-800
-2
-1
0
250

Captulo 6 La utilidad como base para la toma de decisiones

Tabla 6-7

179

Utilidad condicional y esperada para el seguro

La decisin de invertir o no invertir se puede analizar de la misma manera. La


tabla de utilidad 6-8 se puede elaborar con base en la informacin disponible.
De ella se desprende que la utilidad esperada de la accin 1 es menor que la
utilidad esperada de la accin 2. Entonces, el empresario maximiza la utilidad al
seleccionar la accin 2 (invertir). El proyecto con riesgo se aceptara, al mismo
tiempo que el empresario se asegura en contra de una prdida, en contradiccin
con la decisin que indicara el valor monetario esperado.

RESUMEN

Cuando los aspectos de riesgo son importantes, puede ser ms apropiado maximizar la utilidad esperada y no el valor monetario esperado. Una funcin de
utilidad se puede determinar por medio de loteras y puntos de indiferencia o a

Tabla 6-8

Utilidad condicional y esperada para la inversin

180

Parte II Anlisis de decisiones

Tabla 6-9

Propuestas de alternativas de seguridad


Reduccin anual
Reduccin anual
en el nmero en daos a propiedades
Alternativa de fallecimientos (millones de dlares)
A
B
C
D
E

100
150
75
50
100

25
20
40
42
22

travs de equivalentes ciertos. La alternativa de decisin que maximice la utilidad


esperada es la alternativa preferida.

Funciones de utilidad multiatributo


En algunos problemas de decisin pueden existir varios factores o atributos de
importancia que afecten el valor de un resultado. Por ejemplo, varios programas
de seguridad en carreteras pueden reducir el nmero de accidentes fatales y la
cantidad de daos a las propiedades. Primero veremos un ejemplo determinista
(sin riesgo) y luego lo modificaremos para incluir los aspectos de riesgo.
Ejemplo

Suponga que hay cinco propuestas diferentes para mejorar la seguridad en las
carreteras, todas con el mismo costo anual. Los resultados anticipados se presentan en la tabla 6-9.
Un enfoque inicial sera tratar de reducir el problema con varios atributos a un
problema con un solo criterio, buscando una forma de que los atributos sean
directamente comparables. Por ejemplo, suponga que se estudia un gran nmero
de decisiones en el pasado que implicaban transferencia o intercambio entre las
muertes y el nmero de dlares invertidos para evitarlas y se descubre que, en
promedio, las decisiones anteriores indicaron que la sociedad estaba dispuesta a
gastar 250 000 dlares para evitar un accidente fatal. En la tabla 5-10 se muestran
los resultados monetarios de las cinco alternativas, con base en la estimacin de
250 000 dlares para la conversin de fallecimientos a dlares.
A partir de la tabla 6-10, se encuentra que la alternativa C presenta el mayor
valor monetario si se evala un fallecimiento en 250 000 dlares. Este ejemplo
ilustra cmo se pueden usar intercambios entre atributos distintos para convertir
un problema con varios atributos a un problema con uno solo.

Atributos no comparables: Dominacin


Hay casos en los cuales los atributos no se pueden comparar directamente.
Suponga que no se puede acordar un valor monetario para un fallecimiento, en el

Captulo 6 La utilidad como base para la toma de decisiones

Tabla 6-10

181

Resultados monetarios (suponiendo un fallecimiento = 250 000 dlares)


Reduccin
anual en
el nmero
defallecimientos '
Alternativa
A

B
C

D
E

Valor de la
reduccin en
el nmero de
fallecimientos
(millones
de dlares)

Reduccin
anual
en daos a
propiedades
(millones
de dlares)

Reduccin
total
, (millones
de dlares)

100

25

25

50

150
75
50
100

37.5
18.75
12.5
25

20
40
42
22

57.5
58.75
54.5
47

ejemplo anterior. El siguiente paso sera buscar las alternativas dominadas. Una
alternativa dominada es aquella cuyos resultados son todos inferiores o iguales
a los resultados de otra alternativa. Si revisa la tabla 6-9, puede observar que la
alternativa E es dominada por la alternativa A, la cual tiene la misma reduccin
en el nmero de fallecimientos y un resultado ms favorable en lo que se refiere
a daos a propiedades. Entonces, se puede eliminar la alternativa E.
Si las alternativas de decisin no son mutuamente excluyentes y se pueden usar
dos o ms en cualquier proporcin, entonces es conveniente buscar una dominacin ponderada. En el ejemplo, esto se obtiene elaborando el grfico de las cuatro
alternativas restantes (vase Fig. 6-6). Se pueden unir los resultados de la
figura 6-6 que ofrezcan la mayor cantidad de un atributo con respecto a otro; as,
los resultados B, C y D se unen por medio de lneas. Estas lneas representan una
frontera eficiente. Con base en las cuatro alternativas y la oportunidad de aplicar
ms de una de ellas en combinacin, el punto ptimo debe estar sobre la frontera
eficiente.
Observe la posicin de la alternativa ,4 con respecto a la frontera eficiente; est
debajo de la lnea que une las alternativas C y B. Esto significa que una mixtura
o media ponderada de B y C superara a A, por lo cual A es dominada por las
alternativas B y C. Para verlo, considere una ponderacin de I/3 para B y % para
C; esto correspondera a invertir una tercera parte del presupuesto en la alternativa
B y dos terceras partes en C. El resultado medio ponderado sera:
Reduccin en fallecimientos
Reduccin en daos a propiedades
El punto (100, 33.33) est sobre la frontera eficiente y directamente encima de
la alternativa A, por lo cual la domina.
El concepto del dominio ponderado slo tiene sentido cuando las alternativas
no son mutuamente excluyentes y pueden usarse en proporciones diversas. En el
ejemplo, la alternativa B podra ser la publicidad para el uso del cinturn de
seguridad y la alternativa C podra comprender la construccin de vallas ms
resistentes en las curvas de las carreteras. Cada una de estas alternativas puede

182

Figura 6-6

Parte II Anlisis de decisiones

Alternativas de propuestas de seguridad

aplicarse en forma de promedio ponderado, asignando una parte del presupuesto


a B y el resto a C, suponiendo que los resultados reales de las alternativas son
proporcionales a los gastos que se efectan.
Eleccin entre alternativas
Para escoger uno de los puntos de la frontera eficiente, se pide al decisor que
especifique puntos de indiferencia entre diversos resultados. Considere la figura
6-7, donde los atributos se representan en los ejes. Suponga que se presenta un
resultado especfico X (100 fallecimientos y 40 millones de dlares en daos a
propiedades) al decisor. Luego se escoge otro resultado, F(con 125 fallecimientos
y 35 millones de dlares en daos) y se pregunta "Son iguales los resultados X
e y?" Si Y es preferido a X, se crea un resultado Z con 125 fallecimientos y
20 millones de dlares en daos. Suponga que X es preferido a Z. Al variar la
cantidad de daos a propiedades con los 125 fallecimientos, se puede llegar
a determinar un punto de indiferencia en el cual el decisor considera que los
dos resultados tienen el mismo valor. Suponga que con el resultado W (125 fallecimientos, 30 millones de dlares en daos), el decisor es indiferente entre Wy
X; se podra dibujar una curva de indiferencia entre estos dos puntos. Si se
continuara con una serie de preguntas similares, se podran establecer conjuntos
de curvas de indiferencia, como las que se observan en la figura 6-7.
Una vez que se ha obtenido un conjunto de curvas de indiferencia, se puede
combinar con la frontera eficiente de la figura 6-6 para obtener una decisin
ptima. La figura 6-8 contiene las curvas de indiferencia y la frontera eficiente.

Captulo 6 La utilidad como base para la toma de decisiones

Figura 6-7

183

Curvas de indiferencia

La decisin ptima es seleccionar el punto de la frontera eficiente que alcanza la


curva de indiferencia ms alta. En la figura 6-8 la decisin ptima se representa
con F, que equivale a aproximadamente una reduccin de 128 fallecimientos y
de 26 millones de dlares en daos a propiedades y es un promedio ponderado de
las alternativas B y C.

Anlisis conjunto
Para construir las curvas de indiferencia entre ms de dos atributos, es comn una
tcnica estadstica llamada anlisis conjunto. Esta tcnica es cada vez ms popular
entre los gerentes de mercadotecnia que necesitan evaluar la utilidad relativa de
diversos atributos de productos para los consumidores actuales y potenciales.
Aunque los detalles estadsticos del anlisis conjunto estn fuera del alcance de
este libro, el resultado del anlisis sera un conjunto de ponderaciones de importancia para cada atributo. Por ejemplo, los pesos promedio de la importancia de
los atributos de un automvil podran ser los de la tabla 6-11. Los gerentes
de mercadotecnia pueden obtener estos datos para otros segmentos de la poblacin de posibles compradores y disear productos con combinaciones de atributos
que sean atractivos para distintos sectores del mercado.

RESUMEN

En situaciones sin riesgo con varios atributos, primero se intenta descubrir las
transferencias o intercambios entre atributos que permitiran reducir el problema
a un solo atributo, como sera el dinero. Si no puede lograrse un acuerdo con
respecto a tal intercambio, se busca la eliminacin de las alternativas dominadas

184

Parte II Anlisis de decisiones

Figura 6-8

Decisin ptima

y, si stas no son mutuamente excluyentes, se eliminan tambin las alternativas


dominadas por combinaciones de otras alternativas (el caso del dominio ponderado). Las alternativas que quedan forman una frontera eficiente. Luego, se
elaboran conjuntos de curvas de indiferencia y, por ltimo, se combinan los
conjuntos de curvas de indiferencia con la frontera eficiente para obtener la
decisin ptima (la que se encuentra en la curva de indiferencia mayor).

Resultados en riesgo
Hemos visto que el anlisis de un problema de decisin con varios atributos es
bastante complejo, incluso si los resultados no son inciertos. El anlisis del problema
general con resultados inciertos es un problema muy complejo. Aunque, en teora,
el mtodo de deteccin de los puntos de indiferencia puede aplicarse al caso que
implica riesgo, en la prctica es un procedimiento muy complicado y tedioso.

Tabla 6-11

Ponderacin de la importancia del anlisis conjunto


Atributo

Rendimiento

0.20

Confiabilidad
Economa de combustible
uridad
Caractersticas
Seg
Total

0.20
0.30
0.10
0.20
1.00

Peso

Captulo 6 La utilidad como base para la toma de decisiones

Figura 6-9

185

Resultados inciertos
100 fallecimientos menos Reduccin
de 15 millones de dlares en daos
a propiedades
Alternativa B
200 fallecimientos menos Reduccin
de 25 millones de dlares en daos
a propiedades

0.67

70 fallecimientos menos
Reduccin de 35 millones de dlares
en daos a propiedades

Alternativa C
85 fallecimientos menos
Reduccin de 50 millones de dlares en
daos a propiedades

Hay una versin del problema de riesgo que es bastante fcil de analizar: la
situacin en la cual el riesgo de los atributos se trata en forma independiente.
La independencia de los atributos en riesgo no significa que los atributos no se
relacionen; quiere decir que las preferencias de aversin al riesgo con respecto a
un atributo no son una funcin del nivel de riesgo del otro atributo. Lo anterior
quedar ms claro con un ejemplo.
Ejemplo Considere el ejemplo anterior, pero ahora suponga que slo hay dos alternativas,
B y C, y que los resultados de stas son inciertos. La figura 6-9 describe los
resultados y sus probabilidades.
Digamos que el decisor determina dos funciones de utilidad distintas para la
reduccin en el nmero de fallecimientos y la reduccin en daos a propiedades
y est de acuerdo en que la utilidad total es la suma de las dos funciones de utilidad.
Si la utilidad total se puede separar en dos funciones de utilidad aditivas, entonces
el problema puede analizarse de manera bastante directa.
Por ejemplo, suponga que el decisor tiene una funcin de utilidad U1 para la
reduccin en el nmero de fallecimientos, que se presenta en la figura 6-10, y una
funcin de utilidad correspondiente U2 para la reduccin en los daos a propiedades, que se muestra en la figura 6-11.
Ahora las funciones de utilidad se pueden usar con resultados en riesgo para
determinar la utilidad de cada alternativa, si las funciones de utilidad son aditivas.
Para la alternativa B:

186

Parte II Anlisis de decisiones

Figura 6-10

Utilidad de la reduccin en el nmero de fallecimientos

Al tomar los valores de la utilidad de las figuras 6-10 y 6-11:


U(B) = 0.5(0.75) + 0.5(1.0) + 0.5(0.38) + 0.5(0.60) =
1.365
Para la alternativa C:
U(C) = 0.67 17,(70) + 0.33 17,(85) + 0.67 U2(35) + 0.33 U2(5O)
Una vez ms, tomando los valores de las figuras:
U(C) = 0.67(0.60) + 0.33(0.68) + 0.67(0.80) + 0.33(1.0) =
1.4924
Por lo tanto, la alternativa C es preferida a la alternativa B.
Al llegar a este punto es necesario hacer una advertencia: puede ser imposible
representar las preferencias del decisor por medio de funciones de utilidad
separadas aditivas. En dicho caso, hay que combinar el mtodo de la curva de
indiferencia y la evaluacin de las preferencias, y el anlisis se complica con
rapidez.6

RESUMEN

Los problemas de riesgo con varios atributos se pueden resolver con funciones
de utilidad si la utilidad de los resultados se puede representar con funciones de
utilidad aditivas para cada atributo.

Vase C. A. Holloway, Decisin Making undcr Uncertainty: Models and Choices, Englewood Cliffs, N.J.,
Prentice Hall, 1979, capitulo 20.

Captulo 6 La utilidad como base para la toma de decisiones

Figura 6-11

187

Utilidad de la reduccin en daos a propiedades

Teora de las perspectivas


Kahneman y Tversky critican la teora de la utilidad esperada porque han observado acciones que no son consistentes con ella. Ofrecen otro esquema alternativo
que se denomina teora de las perspectivas.7
Veremos los tipos de problemas que motivaron a Kahneman y Tversky. Considere dos loteras, A y B:
Lotera
A
B

Resultados

Probabilidad

0.8
0.2

3000

1.0

$4 000

Cul lotera escogera usted? Como podra esperarse; un mayor porcentaje


de las personas eligi B, la certeza de 3000 dlares en lugar de 4000 dlares
inciertos.
Tambin ofrecieron otras dos loteras:

D. Kahneman y A. Tversky, "Prospect Theory: An Analysis of Decisin under Risk", Econometrica, pgs.
263-291, marzo de 1979. Tambin, Kahneman y Tversky, "The Framing of Decisions and the Psychology of
Choice", Science, pgs. 453-458, enero de 1981.

188

Parte II Anlisis de decisiones

Lotera

Resultados

Probabilidad

$4 000

0.2

0.8

3000
0

0.25
0.75

En este caso la mayora de la gente prefiri C. Por desgracia para la teora


de la utilidad, la preferencia de C en lugar de D no es consistente con la eleccin de B en lugar de A. Si se establece U(0) = 0, con B preferida sobre A, se tiene:
U(3000) >0.8U(4000)
Si se prefiere C en lugar de D:
0.2U(4000) > 0.25
U(3000) Multiplicando ambos lados por 4, se
obtiene:
0.8U(4000) > U(3000) U(3000) >
0.8U(4000) no es consistente con 0.8U(4000) > U(3000).
En el segundo conjunto de loteras se proporcion informacin adicional (la
posibilidad del resultado cero para la lotera D) que confunde al decisor. Aparece
una ilusin, el decisor cae en la trampa y escoge C en vez de D. Para ayudar al
decisor, cambiaremos el mtodo de presentacin de las loteras C y D, pero no las
cambiaremos.
Suponga que hay tres pasos:
Paso 1. Una posibilidad o suceso aleatorio. Hay 0.75 de probabilidad de 0 y 0.25
de probabilidad de pasar a la opcin que comprende las loteras A y B.
Paso 2. Hay que escoger entre A y B. Paso 3. Determinar el resultado aleatorio
de A si se elige A.
Observe que la nica decisin que existe es elegir entre A y B y ya sabemos
que se prefiere B. La figura 6-12 muestra el rbol de decisin para los tres pasos.
Si se elige la lotera B, entonces se tiene:

lo cual es la lotera D.

Resultado

Probabilidad

3 000
0

0.25
0.75

Captulo 6 La utilidad como base para la toma de decisiones

189

Figura 6-12

Si se escoge la lotera A, se tiene:


Resultado

Probabilidad

4 000
0

0.20
0.80

lo cual es la lotera C. Como se escogi la lotera B, en realidad se elige la lotera


D en lugar de la C. Este ejemplo muestra cmo es posible confundir al decisor si
se introduce informacin adicional.
Kahneman y Tversky destacan un punto fundamental: la estructura de las
elecciones y la informacin pueden influir sobre la decisin. Estas observaciones
son muy importantes, ya que proponen que el decisor debe saber que hay que
llegar al fondo de las palabras y de los nmeros para extraer los elementos bsicos
para la decisin. Hay que darse cuenta de que la frase "el vaso est medio lleno"
es, en el contexto de una decisin, exactamente igual que la frase "el vaso est
medio vaco" y debemos ser indiferentes ante la opcin de uno de los dos vasos.
No slo son importantes los resultados y sus probabilidades, sino tambin la forma
en que se presentan.

190

Parte II Anlisis de decisiones

Bibliografa
Bunn, D. W., Applied Decisin Analysis, Nueva
York, McGraw-HM, 1984. Edwards, W. y A.
Tversky, editores, Decisin Making, Baltimore, Penguin Books, 1967.
Fishburn, P. C, Utility Theoryfor Decisin Making, Nueva York, John Wiley & Sons, 1970.
Friedman, M. y L. J. Savage, "The Utility Analysis
of Choices Involving Risk", Journal ofPolitical
Economy, agosto de 1948. Green, P. E. y Y.
Wind, Multiattribute Decisions in
Marketing, Hinsdale, 111., Dryden Press, 1973.
Holloway, C. A., Decisin Making under Uncertainty: Models and Choices, Englewood Cliffs,
N. J., Prentice Hall, 1979 IEEE Transactions on
Systems Science and Cybernetics (edicin especial sobre el anlisis
de decisiones), vol. SSC-4, nm. 3, septiembre de
1968. Kahneman, D. y A. Tversky, "Prospect
Theory: An
Analysis of Decisin under Risk", Econometrica, pgs. 263-291, marzo de 1979.

Kahneman, D. y A. Tversky, "The Framing of Decisions and the Psychology of Choice", Science,
pgs. 453-458, enero de 1981.
Keeney, R. L. y H. Raiffa, Decisions with Mltiple
Objectives, Nueva York, John Wiley & Sons, 1976.
Pratt, J. W., H. Raiffa y R. Schlaifer, "The Foundations of Decisin under Uncertainty: An Elementary Exposition", Journal ofthe American
Statistical Association, junio de 1964.
Savage, L. J., The Foundations of Statistics, Nueva
York, John Wiley & Sons, 1954.
Schlaifer, R., Analysis of Decisions under Uncertainty, Nueva York, McGraw-Hill, 1969.
Swalm, R. O., "Utility Theory-Insights into Risk
Taking", Harvard Business Review, noviembrediciembre de 1966.
Von Neumann, J. y O. Morgenstem, Theory of Gantes and Econoinic Behavior, Princeton, Princeton University Press, 1944.
Zeleny, M., Mltiple Criterio Decisin Making,
Nueva York, McGraw-Hill, 1982.

Problemas con respuestas


6-1.

6-2.

6-3.

El empresario W tiene un ndice de utilidad de


5 para una prdida de 1000 dlares y de 12
para un beneficio de 3000 dlares. El empresario afirma que es indiferente entre 10
dlares seguros y la siguiente lotera: probabilidad de 0.4 de perder 1000 dlares y 0.6 de
ganar 3000 dlares. Cul es su ndice de utilidad para diez dlares?
El empresario X tiene un ndice de utilidad de
0.50 para -2 dlares y afirma que es indiferente entre 500 dlares seguros y una lotera
con 0.8 de probabilidad de -2 dlares y 0.2 de
ganar 20 000 dlares. Cul es su ndice de
utilidad para 20 000 dlares? El empresario
W tiene un ndice de utilidad de 5 para una
prdida de mil dlares y un ndice de utilidad
de 6 para una prdida de 500 dlares. Cul
es la pendiente de su funcin de utilidad entre
los dos puntos?

6-4.

6-5.

Usted tiene una cita para el baile de anlisis


cuantitativo; la admisin cuesta 10 dlares,
que usted no tiene. El da del baile, su instructor de psicologa le ofrece ocho dlares ciertos o un 50% de probabilidad de no obtener
nada o ganar 12 dlares. Que elegira, suponiendo que no tiene otra fuente de financiamiento o de crdito? Por qu? Si la utilidad
de ocho dlares es 20 y la utilidad de cero dlares es 0, qu implica acerca de la utilidad
de 12 dlares?
Suponga que Smith tiene una funcin de utilidad U(x) =x2li, donde x est en dlares (0 < x <
1000). A Smith le presentan las siguientes
opciones:
A: Ocho dlares seguros B: Una lotera con la
misma probabilidad de
obtener 64 dlares o no obtener nada.
Qu lotera pronosticara usted que escoger
Smith?

Captulo 6 La utilidad como base para la toma de decisiones


6-6.

6-7.

La compaa de ingeniera Iota subcontrata


contratos gubernamentales. Iota es una compaa pequea con capital limitado. Su funcin de utilidad es la siguiente:

a. Suponga que Iota quiere concursar para


obtener un contrato. Les costar 2000 d
lares elaborar la oferta; si no obtienen el
contrato, pierden los 2000 dlares, pero si
ganan, recuperarn los 2000 dlares de
preparacin de la oferta y 40 000 dlares
adicionales. Suponga que Iota cree que
la probabilidad de obtener el contrato
es 0.5 si presentan la oferta. Qu deben hacer?
b. Cul tendra que ser la probabilidad de
ganar para que Iota enviara una oferta?
La compaa ABC quiere que su producto
sea estticamente agradable y barato. Los
ingenieros de costos han evaluado cinco
alternativas de diseo para determinar su
costo y los expertos en diseo han calificado
la esttica del diseo, como indica la tabla
de la columna de al lado. Las alternativas son
mutuamente excluyen-tes; slo se puede
seleccionar una.

191

Costo unitario

Atractivo esttico

Alternativ

(dlares)

(10 = mejor, 1 = peor)

$100

B
C
D
E

80
110
125
150

7
8
9
10

a. Hay alternativas dominadas? Cules


son y por qu estn dominadas?
b. Elabore un grfico de las dems alternati
vas, con los dos atributos como ejes.
c. Suponga que el presidente de la compaa
decide que un punto de atractivo esttico
equivale a 10 dlares de aumento en el
costo por unidad. Dibuje un conjunto de l
neas de indiferencia en su grfico, donde
la pendiente represente el intercambio en
tre atributos definido por el presidente.
Cul es la alternativa preferida?
6-8.

La compaa XYZ debe seleccionar uno de dos


productos para presentarlo al mercado. Los dos

productos tienen resultados en riesgo en lo que


se refiere a la rentabilidad a corto plazo y a la
duracin a largo plazo, como se muestra en la
figura siguiente (la duracin se mide en una
escala del 1 al 10, donde 10

Para el problema 6-8


Beneficio: $10 000
Duracin 6
Producto A
Beneficio: $20 000
Duracin 4

Beneficio: $5000
Duracin 7
Producto B

Beneficio: $25 000


Duracin 5

192

Parte II Anlisis de decisiones


es lo mejor). La compaa opina que la utilidad total es la suma de la utilidad de los beneficios y de la duracin. Para los beneficios, la
funcin de utilidad es /i(p) = p2'3, donde p
equivale a miles de dlares de beneficio. La

funcin de utilidad para la duracin es U2(d)


= d113, donde d = escala de duracin.
a. Es dominada alguna de las alternativas?
b. Evale las dos alternativas. Cul prefiere?

Problemas
6-9.

6-10.

6-11.

6-12.

6-13.

El empresario Y tiene un ndice de utilidad de


-108 para 11 000 dlares y de -275 para cero
dlares. Es indiferente entre una probabilidad
de 0.5 de obtener 11 000 dlares y 0.5 de perder 20 000 dlares y la certidumbre de no obtener nada. Cul es su ndice de utilidad para
una prdida de 20 000 dlares? El empresario
Z tiene un ndice de utilidad de 10 para 18 750
dlares, 6 para 11 200 dlares y 0 para cero
dlares. Qu combinacin de probabilidades
de cero dlares y 18 750 dlares le hara
indiferente ante 11 200 dlares seguros? Dos
economistas, Alfred M. Noxie y J. May-nard
K. Bampton, discuten acerca de las ventajas
relativas de sus respectivas reglas de
decisin. Noxie dice que siempre elige la
accin con mayor valor monetario esperado;
Bampton seala que siempre escoge la accin
con mayor utilidad esperada y que su funcin
de utilidad para el dinero es U(M) = 10 +
0.2M. En el caso de decisiones relativas a
beneficios monetarios, quin har la mejor
eleccin? Usted es representante de ventas de
seguros contra incendio y discute con un
matemtico terco que afirma que no debe
asegurar su casa contra incendio por el
pequeo cargo adicional que representan los
gastos adicionales de la compaa de seguros.
Si el anlisis del matemtico es correcto, qu
implica acerca de la forma de su funcin de
utilidad? Suponga que las ponderaciones de
la importancia de atributos de la tabla 6-11 se
pueden dividir en dos segmentos de mercado,
como se muestra a continuacin. Describa en
trminos cualitativos qu implican estos datos
para cada uno de los segmentos; es decir,
describa cmo varan los segmentos en lo que
se refiere a los intercambios entre los
atributos que se presentan.

Atributo
Rendimiento
Confiabilidad
Economa de
combustible
Seguridad
Caractersticas
Total

Segmento A
Ponderacin
0.10

Segmento B
Ponderacin
0.30

0.30

0.10

0.40
0.10
0.10
1.00

0.20
0.10
0.30
1.00

6-14.
Usted es el gerente de planta de una pequea
industria de manufactura. Hay que repavimentar el estacionamiento adyacente a la
fbrica y un contratista le ha dicho que
presentar una oferta que consiste en el costo
total esperado ms un 10% de beneficio. La
nica incertidumbre en el clculo del costo de
este trabajo es el tiempo. Si es soleado, el costo
incremental del trabajo ser 40 000 dlares,
pero si llueve, el costo incremental ser 55 000
dlares. La oficina meteorolgica ha informado
que la probabilidad de lluvia en el periodo en
cuestin es de 1 en 10 y que todos los
contratistas conocen y aceptan esta informacin.
Usted sabe que recibir otras dos ofertas para
el trabajo. Dos contratistas pequeos de la
localidad, Willie y Joe, han estado en pugna
desde la Segunda Guerra Mundial.
ltimamente, el objetivo de su rivalidad ha
sido ver quin es el primero en obtener
beneficios superiores a 100 000 dlares en un
ao. Usted sabe que los beneficios de Willie en
el ao han sido 109 500 dlares y las de Joe, 95
000 dlares. Queda muy poco tiempo en el ao
y su trabajo puede ser el ltimo para ambos.
Adems, los dos tienen exceso de capacidad y
pueden

193

Captulo 6 La utilidad como base para la toma de decisiones


aceptar el trabajo. Qu ofertas puede esperar de
ellos? Cmo explicara las ofertas? 6-15. Suponga
que una persona, al pedirle el equivalente cierto de
las apuestas que se presentan en la primera
columna de la siguiente tabla, respondi con las
cifras de la segunda columna.

Equivalente
cierto
_________ Apuesta ___________ determinado
1. Probabilidad de Vi para -$100 000 y
de 1/2 para $200 000
$ 10 000
2. Probabilidad de Vi para $10 000 y
de Vi para $200 000
100 000
3. Probabilidad de Vi para $10 000 y
de Vi para -$100 000
-55 000
a. Elabore un grfico con los puntos de utili
dad que se relacionan con las apuestas an
teriores y dibuje una curva de utilidad
suave uniendo los puntos.
b. A partir de la curva, encuentre el equiva
lente cierto de la siguiente apuesta:

Probabilidad
-$80 000

80 000
160 000
6-16.

Nmero de incendios
en un ao
0
1
2

0.80
0.15
0.05

3 o ms

Al preguntarle acerca de las preferencias


de aversin al riesgo, se obtuvo la siguiente
funcin de utilidad
Dlares

Utilidad

-$10 000

0.000

-4000
0
1 000
3000

0.300
0.490
0.537
0.620

El tesorero debe aumentar el deducible? Por qu?


6-17. Remtase al problema 4-22 y al rbol de decisin de la figura 4-13. Suponga que QPC determina los siguientes puntos de su funcin
de utilidad:

0.2
0.4
0.2
0.2

El tesorero de una corporacin considera una


decisin para aumentar la cantidad deducible
del seguro contra incendio de la compaa, de
2000 dlares por ocurrencia a 5000 dlares
(lo que significa que la pliza no reembolsar
los primeros 5000 dlares de las prdidas del
incendio). Este aumento en el deducible reducira la prima anual del seguro, de 2500 dlares a 1400. Con base en los datos histricos,
el tesorero estima la probabilidad de incendio
como indica la siguiente tabla. Si ocurre un
incendio es seguro que la prdida sea mayor
de 5000 dlares, por el tipo de producto que
se fabrica.

Probabilidad

Millones
de dlares
-4.00
-3.50
-2.00
0.75
5.00
10.00

6-18.

Utilidad
0.0
0.2
0.4
0.6
0.8
1.0

Elabore un grfico con estos puntos y dibuje


una curva suave que pase por ellos. Luego
use la curva para determinar la decisin que
debe tomar QPC en el rbol de decisin de la
figura 4-13.
Remtase al problema 6-17. Suponga que
QPC tiene otro proyecto que supone una probabilidad de 0.50 de ganar 10 millones de d-

Parte II Anlisis de decisiones

194

lares y una probabilidad de 0.5 de perder cuatro millones de dlares. Use la curva de utilidad que pasa por los puntos proporcionados
en el problema 6-17.
Varios inversores ofrecen asociarse con
QPC para el proyecto. Especficamente, el inversor A ofrece compartir con QPC la mitad
de los beneficios o las prdidas. El inversor B
ofrece aceptar el 40% de las prdidas a cambio del 30% de los beneficios. El inversor C
ofrece pagar a QPC dos millones de dlares a
cambio de la mitad de los beneficios, pero no
compartira las prdidas. Cul de estas ofertas debe aceptar QPC, si es que debe aceptar
alguna?
6-19. Considere la figura 6-6 de este captulo. Suponga ahora que las alternativas son mutuamente excluyentes; es decir, slo se puede
escoger una.
a. Dibuje la frontera eficiente para esta situa
cin.
b. Use las curvas de indiferencia de la figura
6-8 y los resultados de la figura 6-6 y de
termine cul es la mejor opcin.
Hay
cuatro alternativas de inversin, as como
6-20.
dos criterios con los siguientes resultados
(para ambos criterios, es mejor una cantidad
mayor):
Alternativa

Criterio 1

Criterio 2

30

10

2
3
4

5
10
20

40
20
25

6-21.

Las alternativas no son mutuamente excluyentes.


a. Hay alternativas dominadas? Cules son
y por qu estn dominadas?
b. Elabore un grfico de las alternativas res
tantes y muestre la frontera eficiente.
c. Suponga ahora que la gerencia decide que
el criterio 1 es dos veces ms importante
que el criterio 2, de manera que una uni
dad del criterio 1 es igual a dos unidades
del criterio 2. Dibuje un conjunto de cur
vas de indiferencia en su diagrama e indi
que la solucin ptima.
d. Ahora suponga que la gerencia decide que
las alternativas son mutuamente excluyentes (slo puede seleccionarse una). Cul
es la opcin ptima?
Una compaa de semiconductores tiene un
producto nuevo, pero debe decidir cundo
introducirlo. La rentabilidad ser mayor si se
introduce de inmediato, pero la calidad del
producto (la cual se mide en una escala de 1 a
10, donde 10 es lo mejor) ser mayor si se
pospone la introduccin. As mismo, cada
uno de los criterios tiene resultados en riesgo,
como se muestra en el diagrama de la
siguiente pgina.
La utilidad que tiene la compaa para los
beneficios que se mencionan es lineal [/(M)
= M\\ sin embargo, lo que le preocupa a la
compaa es el riesgo de que la calidad sea
baja y la funcin de utilidad para la calidad es
U(q) = 100<7w, donde q = ndice de calidad.
La utilidad total de la compaa es la suma de
las utilidades de los dos criterios.
a. Hay una alternativa dominada?
b. Evale ambas alternativas. Cul es
preferible?

Problemas ms difciles
6-22.

Remtase al problema 4-19. Suponga que la


funcin de utilidad del dinero del problema
de perforacin es la misma que se determin
en el problema 6-15.
a. La compaa, debe perforar o vender el
contrato?

b.

c.

Suponga que, antes de que la compaa comience a perforar, otra empresa le ofrece
comprar el contrato. Cul es el precio mnimo que debe aceptar la compaa?
Suponga que, antes de que comenzara la
perforacin, un grupo de inversores exter-

Captulo 6 La utilidad como base para la toma de decisiones

195

Para el problema 6-21


Beneficios: $100
Calidad 5
Introduccin inmediata
Beneficios: $200
Calidad 7

Beneficios: $150
Calidad 8
Introduccin diferida
Beneficios: $75
Calidad 8

6-23.

nos present la siguiente propuesta: El grupo


pagara 20 000 dlares a la compaa a
cambio del 50% de los costos e ingresos
relacionados con la perforacin (es decir, los
ingresos para la compaa seran 20 000
dlares ms la mitad de los valores que se
presentan en el problema 4-19). Deben
aceptar la propuesta? Remtase al problema
4-35. Suponga que el concesionario del
problema presenta los siguientes equivalentes
ciertos para las apuestas que se indican en la
tabla.

Apuesta

Equivalente
cierto
determinado

para -$20 000 y


1. Probabilidad
de
para $40 000
$-5 000
2. Probabilidad de para -$5000 y
de
para $40 000
13 000
3. Probabilidad de para -$5000 y
de
-16 000
para -$20 000

6-24.

a. Con base en estos valores, dibuje una fun


cin de utilidad para el concesionario.
b. Cuntos alimentos debe pedir el con
cesionario para ser consistente con este
conjunto de evaluaciones de la utilidad?
Remtase al problema 4-38. Suponga que
Littie Electronics, despus de estudiarlo con
cuidado, determina su funcin de utilidad para los flujos de efectivo que se obtienen de la
querella legal descrita en el problema. La funcin de utilidad U(X) se puede describir con
la siguiente funcin:

donde X es el flujo de efectivo (en millones


de dlares) que se obtiene de la accin legal.
Desarrolle el rbol de decisin para el problema de decisin de Littie. Coloque los valores de utilidad en lugar de los flujos de
efectivo al final del rbol. Analice el rbol
con los valores de utilidad para determinar la
decisin que debe tomar Littie.

CAPTULO

7
Distribucin de probabilidad
normal y valor de la
informacin
En este captulo se presenta un concepto importante de la probabilidad, llamado
distribucin normal, el cual se usar posteriormente para evaluar la informacin
adicional de un problema de decisin.

Distribuciones de probabilidad
Las distribuciones de probabilidad pueden ser discretas o continuas. Una funcin
discreta se denomina funcin de masa de probabilidad y una funcin continua
de probabilidades se denomina funcin de densidad de probabilidad. En una
funcin de masa de probabilidades (distribucin discreta), la variable aleatoria
puede tomar slo valores seleccionados (por ejemplo, 0.1,0.2 o 0.3, pero no 0.11,
0.21 o 0.31).
Como ejemplo se podra indicar la proporcin de familias que tienen X
miembros. Una familia puede tener 4 miembros, pero no 4.2 miembros; por lo
tanto, X debe ser entero. En ocasiones se clasifican los datos para que pueda
usarse una distribucin discreta de probabilidad en casos en los que se podra usar
una distribucin continua. Por ejemplo, es posible que la demanda de un producto
sea cualquier cantidad, pero se puede clasificar la demanda del da como dcimos
de tonelada (es decir, 0.1, 0.2, etctera).
La distribucin binomial, que se describi en el captulo 3, es otro ejemplo de
una distribucin discreta de probabilidad. La variable aleatoria, el nmero de xitos, slo puede tomar el valor cero y los valores de los nmeros enteros positivos
de uno a n (el nmero de ensayos).
Una funcin de densidad de probabilidad continua representa una distribucin en la cual el valor de la variable aleatoria puede ser cualquier nmero dentro
196

Captulo 7 Distribucin de probabilidad normal y valor de la informacin

197

de un intervalo de valores, digamos, entre cero e infinito. Por ejemplo, suponiendo


una funcin de densidad de probabilidad de la estatura de los miembros de una
poblacin, habra un valor de la funcin de densidad de 1.57 metros, 1.572 metros,
1.5725 metros, etc., pero la estatura no puede ser negativa. La funcin de densidad
tienen un valor para todos los valores posibles de la variable aleatoria dentro de
un intervalo establecido. En las figuras 7-1 y 7-2 se presentan grficos de los dos
tipos de distribuciones.

Figura 7-1

Distribucin de probabilidades discreta (funcin de masa de probabilidad o p.m.f)

Figura 7-2

Distribucin de probabilidad continua (funcin de densidad


de probabilidades o p.d.f.)

El rea sombreada es P (la demanda


de maana est entre 0.1 y 0.2 toneladas)
El rea debajo de
toda la curva suma 1
El rea sombreada es P (la demanda de
maana es mayor que 0.5 toneladas)

Demanda de maana, en toneladas

198

Parte II Anlisis de decisiones

En una distribucin discreta, la altura de las lneas representa la probabilidad


de ese valor de la variable aleatoria. Por ejemplo, 0.30 es la probabilidad de que
maana la demanda sea 0.2 toneladas, de acuerdo con la figura 7-1. En el caso de
una variable aleatoria continua, la altura de la funcin de densidad de probabilidad
no es la probabilidad del suceso; ms bien, el rea bajo la curva dentro de un
intervalo del eje horizontal representa la probabilidad de que la variable tome
un valor del intervalo. Por ejemplo, el rea sombreada de la izquierda de la
figura 7-2 representa la probabilidad de que la demanda de maana est en el
intervalo entre 0.1 y 0.2 toneladas.

Funciones de masa acumulada


Las funciones de masa acumulada se relacionan con las funciones de masa de
probabilidad. Una funcin de masa acumulada muestra la probabilidad acumulada. Por ejemplo, considere la variable aleatoria S con la funcin de masa de
probabilidad discreta que se muestra en la tabla 7-1.
Nos interesa la probabilidad de que S sea igual a 2 [es decir, P(S = 2) = 0.40],
pero tambin quisiramos saber la probabilidad de que S sea igual o menor que 2
[o sea, P(S < 2) = 0.60]. La funcin que proporciona valores de este tipo se llama
funcin de masa acumulada. En las tablas 7-2 y 7-3 se muestran la funcin de

Tabla 7-1
s
0

0.00

1
2
3
4

0.20
0.40
0.30
0.10
1.00

P(S = s)

Tabla 7-2
S
0

0.00

0.00

1
2
3
4

0.20
0.40
0.30
0.10

0.20
0.60
0.90
1.00

P<S = s)

P(S < s)

Captulo 7 Distribucin de probabilidad normal y valor de la informacin


Figura 7-3

199

Ejemplos de funciones de masa de probabilidad y de masa acumulada

Funcin de masa de probabilidad

Funcin de masa acumulada

P(S=s)

P(S<s)

masa de probabilidad y la funcin de masa acumulada del tipo "menor o igual


que" para el ejemplo de la tabla 7-1.
Si quisiramos conocer la probabilidad de que S sea mayor que dos:
P(S > 2) = 1 - P(S < 2) = 1 - 0.60 = 0.40
Si se conoce la funcin de masa de probabilidades, se puede obtener la funcin
de masa acumulada y las variaciones como P(S >2) o P(2 < S < 4).

Funciones de distribucin acumulada


Las funciones de distribucin acumulada se relacionan con funciones continuas
de densidad de probabilidad, de la misma forma que las funciones de masa
acumulada se relacionan con las funciones discretas de masa de probabilidad.
Ilustraremos el concepto de la funcin de distribucin acumulada con una
distribucin de probabilidad rectangular o uniforme (vase Fig. 7-4). Si S est
entre a y b(a< S < b), entonces el valor de la funcin de densidad de probabilidad
es l/(b - a) y cero en los dems casos. Al sumar el rea bajo la funcin de densidad
de probabilidad:

en el intervalo de a a S para cada valor de S, se obtiene la funcin de distribucin


acumulada, F(S). Se usa f(") para representar la funcin de densidad de probabilidad y F() para representar la funcin de distribucin acumulada del tipo "menor
o igual que" (vase Fig. 7-5).

200

Figura 7-4

Figura 7-5

Parte II Anlisis de decisiones

Captulo 7 Distribucin de probabilidad normal y valor de la informacin

201

Figura 7-6

Desviacin
estndar

Funcin de densidad
de probabilidad normal

Media

La distribucin de probabilidad normal


La distribucin normal, en ocasiones tambin conocida como distribucin de
Gauss, es una distribucin muy importante, ya que es ms fcil de manipular
matemticamente que las dems distribuciones y es una buena aproximacin de
otras distribuciones. En muchos casos la distribucin normal es una aproximacin
razonable de una distribucin de probabilidad a priori para ciertos fines de
decisiones empresariales y, en los captulos siguientes, se usar la distribucin
normal en muchas de las aplicaciones. A pesar de su aplicacin general, no deber
suponerse que todo proceso se puede describir con una distribucin normal.
La distribucin normal tiene una funcin de densidad de probabilidad que es
una curva suave, simtrica, continua, en forma de campana, como se muestra en
la figura 7-6. El rea bajo la curva, en cualquier intervalo del eje horizontal,
representa la probabilidad de que la variable aleatoria, X, tome un valor dentro
del intervalo. Como sucede con todas las funciones continuas de densidad de
probabilidad, el rea bajo la curva suma 1.
Una distribucin normal se determina completamente por su media (representada con ) y su desviacin estndar (a); es decir, una vez que se conocen
la media y la desviacin estndar, se establecen la forma y la ubicacin de la
distribucin. La curva alcanza su punto mximo en la media de la distribucin, con
la mitad del rea a cada lado de la media. Si el valor de a, la desviacin estndar,
es mayor, la curva ser ms extendida.1 Esta situacin se muestra en la figura 7-7.
La funcin de densidad de probabilidad normal con parmetros

La funcin de distribucin normal acumulada es:

202

Parte II Anlisis de decisiones

Figura 7-7

Figura 7-8

rea sombreada = 50%

rea sombreada = 68%

rea sombreada = 95%

En todas las distribuciones normales, aproximadamente 0.50 del rea est a


0.67 unidades de desviacin estndar de la media; un 0.68 del rea est a 1.0
unidades de desviacin estndar y 0.95 del rea est a 1.96 unidades de desviacin estndar (vase Fig. 7-8).
La funcin de probabilidad normal es continua (una funcin de densidad de
probabilidad), por lo cual no puede leerse directamente de los grficos. Hay que
considerar la probabilidad de que el valor de la variable aleatoria est dentro de
un intervalo (vase Fig. 7-9).
En la figura 7-9:
P(-2 < X < 0) = rea sombreada A
P(X>2) = rea sombreada B
P(0 < X < 2) = rea entre A y B tambin igual al rea sombreada A, por
la simetra de la curva normal)

Captulo 7 Distribucin de probabilidad normal y valor de la informacin

203

Figura 7-9

Figura 7-10

Colas a la izquierda y a la derecha


El smbolo FN se usa para representar una funcin de distribucin acumulada de
una distribucin de probabilidad normal. Es el rea debajo de la cola izquierda
de una funcin de densidad normal de probabilidad. En la figura 7-10, el rea
sombreada es la cola izquierda de una curva normal; es decir, FN(b) ' FN(b) es la
probabilidad de que X sea menor o igual que b; o sea,

Ahora se presenta un smbolo nuevo, GN, que se define como el rea debajo de
la cola derecha de una funcin de densidad de probabilidad normal. En la figura
7-10, el rea no sombreada es la cola derecha de una curva normal; es decir,GN{b).

204

Parte II Anlisis de decisiones

GN(b) es la probabilidad de que X sea mayor que b; o sea:

En la figura 7-10 se puede ver que existe una relacin entre

ya que, por definicin, el rea total debajo de la funcin de densidad de probabilidades suma 1.

La variable normal estandarizada y tablas de probabilidad normal


(media de cero)
(desviacin estndar
Una distribucin normal con
de 1) se conoce como distribucin normal estndar. Si la distribucin normal
tiene una media distinta de cero o desviacin estndar distinta de 1, es posible
estandarizar la distribucin. La posibilidad de estandarizar distribuciones normales es una de las caractersticas tiles de la distribucin y permite buscar las
probabilidades normales en una tabla relativamente pequea.
Para estandarizar una variable aleatoria normal, se define una nueva variable
normal estandarizada, Z, como sigue:

donde X es la variable normal no estandarizada que nos interesa, es la media de


esta variable aleatoria y
es su desviacin estndar. En la expresin anterior,
Z es la distancia de X con respecto a la media, medida en unidades de desviacin
estndar. Por ejemplo, si Z = 4, entonces:

de manera que:

De esta forma, Z = 4 corresponde a un valor de X que es cuatro veces la


desviacin estndar mayor que la media. Como resultado de esta operacin, Z es

Las relaciones matemticas bsicas pueden representarse como:

Captulo 7 Distribucin de probabilidad normal y valor de la informacin

205

una variable aleatoria normalmente distribuida, estandarizada, con media 0 y


desviacin estndar 1. En las tablas se buscan las probabilidades de Z, y como
todas las Z tienen media 0 y desviacin estndar 1, slo se requiere una tabla de
probabilidad. La tabla A (del apndice al final del libro) es una tabla acumulada
de probabilidad normal. Hay que sealar que en la ecuacin 7-3 se transforma un
valor de una distribucin normal a un valor de una distribucin normal estandarizada. El valor que se transforma debe provenir de una distribucin normal.
Suponga que nos interesa una variable aleatoria normalmente distribuida, X,
con media
y desviacin estndar
y deseamos encontrar las siguientes
probabilidades:
1. P(X < 10).
2. P(X > 10).
3. P(10 < X < 15).
Ejemplo 1

Lo primero que debe hacerse es estandarizar la variable aleatoria X para el valor


X - 10:

Despus se busca la probabilidad P(Z < 0.67) en la tabla A y se encuentra que es


igual a 0.7486. La probabilidad de que X sea menor que 10 es 0.7486. Observe
que P(X < 10) es igual que P(X < 10), ya que la probabilidad de que sea
exactamente 10 se define como cero si la distribucin de probabilidad es continua.
Ejemplo 2

Del ejemplo 1, se sabe que para X = 19, Z = 0.67 y que:


P(X < 10) = P(Z < 0.67) = 0.7486
Entonces:
P(X > 10) = 1 - P(X < 10) = 0.2514
Si la probabilidad de que X sea menor que 10 es 0.75, la probabilidad de que
X sea mayor que 10 es 0.25. En trminos de reas, si el rea a la izquierda de 10
es 0.75 y el rea total bajo la funcin de densidad es 1, entonces el rea a la derecha
de 10 es (1 - 0.75) o 0.25.

Ejemplo 3

Queremos determinar el rea C de la figura 7-11. El rea C + D es P(X > 10) y


el rea D es P(X > 15). El primer paso es saber que P(X > 10) = 0.2514, del
ejemplo 2. Para calcular el rea D, o P(X > 15), lo primero que hay que hacer es
calcular Z para un valor de X = 15.

En la tabla A (del apndice al final del libro) se encuentra:


P(Z< 2.33) = 0.99010

206

Parte II Anlisis de decisiones

Figura 7-11

Ahora se puede calcular el rea D:


P(X > 15) = P(Z > 2.33) = 1 - P(Z < 2.33)
= 1 - 0.99010 = 0.00990
La probabilidad de que X sea mayor que 10 y menor que 15 (o, lo que es lo mismo,
que Z sea mayor que 0.67 y menor que 2.33) es el rea C + D menos el rea D:
P(10 < X < 15) = P(X > 10) P (X > 15)
= P{Z > 0.67) - P(Z > 2.33) =
0.2514-0.0099 = 0.2415
RESUMEN

Las distribuciones discretas de probabilidad representan variables aleatorias que


pueden tomar slo valores especficos. La variable aleatoria de una distribucin
continua puede asumir cualquier valor dentro de un intervalo. En el caso de una
distribucin continua de probabilidad, la probabilidad se determina con el rea
debajo de la funcin de densidad.
La distribucin normal es una distribucin simtrica en forma de campana que
puede caracterizarse por su media y su desviacin estndar. Las probabilidades
normales se obtienen con una variable normal estandarizada Z y la tabla A del
apndice.

Probabilidades a priori normales y el valor de la informacin


En las secciones anteriores se describieron las caractersticas generales de la
distribucin de probabilidad normal. Ahora veremos cmo se usa la distribucin
normal como una distribucin de probabilidad a priori. El anlisis que se presenta
seguir de cerca la explicacin del valor esperado que se efectu en el captulo 4,
aunque ahora se usarn probabilidades a priori continuas, en lugar de discretas.

Captulo 7 Distribucin de probabilidad normal y valor de la informacin

207

Suponga que una compaa tiene la oportunidad de comprar una mquina por
17 200 dlares. La mquina, si tiene xito, ahorrar horas de trabajo en un proceso
de produccin que actualmente requiere mucha mano de obra. La vida fsica de
la mquina es un ao. Suponga que el costo incremental de una hora de trabajo
para la compaa es ocho dlares; entonces, si la mquina ahorrara ms de
2150 horas de trabajo ($17 200/$8 = 2150), la compaa obtendr un beneficio
del uso de la mquina.
Supongamos que el ingeniero de produccin opina que en promedio se ahorrarn 2300 horas y que hay un 50% de probabilidad de que las horas reales que se
ahorren sean menos de 2100 o ms de 2500 horas en el ao.
Con esta descripcin de la opinin del ingeniero es posible suponer que una
distribucin normal especfica se ajustar a las expectativas previas. La media de
la distribucin es 2300 y, si es posible determinar la desviacin normal, se habr
descrito la distribucin normal de probabilidad a priori.
En la distribucin normal, ms o menos la mitad del rea (por lo tanto, la mitad
de la probabilidad) se encuentra a 0.67 unidades de desviacin estndar de la
media. La figura 7-12 aproxima el ajuste de una distribucin normal a las
estimaciones del ingeniero. El ingeniero ha estimado una media de 2300 horas y
ha considerado que el valor real estar entre 2100 y 2500 horas, con probabilidad
de 0.50. Entonces, la mitad del rea debe estar fuera de estos lmites, 0.25 del lado
izquierdo y 0.25 del lado derecho. La figura 7-12 muestra que si se desplaza en
la direccin positiva de 200 unidades, se mover 0.67 a. Esta relacin se puede
usar para determinar la desviacin estndar:

Figura 7-12

Horas de trabajo ahorradas

208

Parte II Anlisis de decisiones


La distribucin normal a priori tiene una desviacin estndar de aproximadamente
300 horas.
Observe tambin que la distribucin normal asigna probabilidades a los ahorros
tanto grandes como pequeos en el nmero de horas. Esto concuerda con la
opinin del ingeniero de que las probabilidades se distribuyen simtricamente con
respecto a la media.
En resumen, se ha tomado la descripcin narrativa del ingeniero y se ha
convertido en una distribucin a priori normal con media = 2300 horas y
desviacin estndar = 300 horas. Tambin sabemos que para lograr el equilibrio,
la mquina debe ahorrar por lo menos 2150 horas y que por cada hora ahorrada
por encima de las 2150, el beneficio cambia a razn de ocho dlares por hora.
Los beneficios se pueden representar como una funcin lineal de las horas
ahorradas, con beneficio de cero en 2150 Loras. Entonces:
Beneficios = = -17 200 + 8X
donde X es el nmero real de horas ahorradas. Como se trata de una funcin lineal,
el beneficio esperado se puede determinar reemplazando X por su valor esperado.3

Cuando la estimacin de la media de los ahorros est por encima del punto de
equilibrio, los beneficios esperados son positivos y la mquina debe comprarse
(suponga que estamos dispuestos a comprar la mquina sobre la base del equilibrio; es decir, en este captulo se omitirn los aspectos relacionados con la utilidad
y el rendimiento de intereses requeridos para las inversiones aceptables). Aunque
la distribucin de probabilidad a priori del ingeniero es bastante estrecha (la
desviacin estndar, = 300, es relativamente pequea en comparacin con el
tamao de la media, por lo que el ingeniero est bastante seguro de la estimacin
de la media), quizs est dispuesto a obtener ms informacin antes de actuar. Por
lo tanto, es de inters el valor esperado de la informacin perfecta (VEIP).
Definamos primero la prdida de oportunidad condicional. La accin ptima,
con base en el valor esperado, es comprar la mquina. Suponga que se compra la
mquina y que los ahorros reales son menores de 2150 horas. En este caso, cunto
se pierde? Si Xb representa la cantidad de equilibrio de 2150 horas, la prdida
condicional aumentar ocho dlares por cada hora que falte para llegar al punto
de equilibrio. Si X es mayor que Xb, la prdida de oportunidad es cero si se compra
el equipo. Por lo tanto, la prdida de oportunidad condicional (suponiendo que se
compra el equipo) sera:

Vase Cap. 5.

Captulo 7 Distribucin de probabilidad normal y valor de la informacin

209

Figura 7-13

donde X = horas ahorradas reales y Xb = 2150, las horas necesarias para el


equilibrio. La prdida de oportunidad condicional de la compra del equipo se
presenta en el grfico de la figura 7-13.
Recuerde que en el captulo 4 se estableci que el valor esperado de la
informacin perfecta es una medida del valor de un pronstico perfecto o de
la informacin perfecta; es el valor esperado del valor condicional de la informacin perfecta.
Hemos decidido que la mejor accin, con base en la informacin actual y la
media de los ahorros, es comprar la mquina. Si un mecanismo de pronstico
perfecto nos dijera que el ahorro real en el nmero de horas sera 2852, o cualquier
otro nmero mayor que 2150, hubiramos elegido la misma accin que se eligi
sin esta informacin y el pronstico no tendra valor. Sin embargo, si el pronstico
nos dijera que los ahorros reales seran de 2029 horas o cualquier cantidad menor
que 2150 horas, entonces no se comprara la mquina y se evitaran las prdidas.
Por lo tanto, el pronstico slo tiene valor si la decisin cambia al obtener la nueva
informacin. El clculo del valor condicional de la informacin perfecta
(VCIP) (suponiendo que se aceptara el equipo si no se tuviera la informacin)
podra resumirse como sigue:

210

Parte II

Anlisis de decisiones

El grfico de esta relacin funcional se presenta en la figura 7-13, la cual muestra


que la informacin perfecta no vale nada si el pronstico del ahorro en el nmero
de horas es mayor que Xb y que aumenta linealmente a la izquierda del punto de
equilibrio (las horas ahorradas son menos de 2150 y se reducen). El VCIP es
idntico a la prdida de oportunidad condicional de la mejor accin.
El valor esperado de la informacin perfecta (VEIP) se calcula ponderando
el valor condicional de la informacin perfecta (VCIP) por la distribucin de
probabilidades y es igual a la prdida de oportunidad esperada de la mejor accin.
La figura 7-14 muestra la distribucin normal de las probabilidades a priori
montada sobre el grfico del valor condicional. El VEIP es la suma del producto
de la curva normal y la lnea VCIP a la izquierda del punto de equilibrio. Esto
sucede porque VCIP = 0 para los valores de X mayores que Xb (2150 horas).
Tambin se puede observar que al aumentar la desviacin estndar, , es mayor
el VEIP. Esto se debe a que con mayor se extiende ms la curva normal y es
mayor el peso en probabilidad que se da a las prdidas mayores (es decir,
los valores ms altos de la lnea VCIP). Si el ingeniero estuviera seguro de que el
valor de la media fuera 2300, el valor esperado de la informacin perfecta sera
muy pequeo o inexistente. La figura 7-15 muestra una situacin en la cual el valor
dla informacin es muy pequeo; este caso se presentara para igual a 50 horas.
La razn por la cual la informacin perfecta casi no tiene valor en esta situacin
es que la de la distribucin a priori es muy pequea en comparacin con la
distancia de la media al punto de equilibrio. Observe que cuanto ms cerca est
Xb de (dada una determinada), mayor ser el VEIP. Todo ello se muestra
grficamente en la figura 7-16, donde primero se supone que Xb es el punto de
equilibrio y luego que Xc es el punto de equilibrio. Si , la media a priori, est
cerca de Xb, es ms probable que la informacin perfecta cambie la decisin acerca
de la mejor decisin, que en el caso en que est relativamente lejos de Xb.
Recuerde que para que la informacin perfecta tenga valor es necesario que exista
la posibilidad de que la accin ptima cambie al conocerse la informacin nueva.

Figura 7-14

Horas de trabajo ahorradas

Captulo 7 Distribucin de probabilidad normal y valor de la informacin

211

Figura 7-15

En resumen, suponiendo una distribucin normal a priori, el VEIP depende de


los tres factores siguientes:
1. La desviacin estndar, , que es una medida de la "incertidumbre" con
respecto a la media a priori de la persona que realiza la estimacin.
Esta
2. La distancia entre la media a priori y el punto de equilibrio
distancia es importante porque ayuda a determinar la posibilidad de que el
decisor cambie la decisin al obtener nuevas pruebas.
3. El valor absoluto de la pendiente de la lnea VCIP, C. La pendiente de la lnea
es una medida de la rapidez con la cual aumenta la prdida cuando el nmero
de horas ahorradas disminuye por debajo del punto de equilibrio.
Al llegar a este punto se emplea una de las caractersticas ms tiles de la
distribucin normal. El clculo del VEIP se puede reducir a una frmula bastante
sencilla cuyos componentes son los tres elementos que se mencionaron antes. La
frmula es:4

C es el valor absoluto de la pendiente de la lnea VCIP o la constante de prdida;


es la desviacin estndar de la distribucin normal a priori; la D de N(D) se
define como sigue:

Vase R. Schlaifer, Probabiltry and Statistics for Business Decisions, Nueva York, McGraw-Hill, 1959,
pgs. 452-455.

212

Parte II Anlisis de decisiones

Figura 7-16

De esta manera, D es una medida de la distancia desde la media hasta el punto de


equilibrio, en unidades de desviacin estndar. Las barras verticales en la frmula
de D deben leerse como "valor absoluto". La cantidad N(D) se puede obtener de
la tabla (en el apndice al final del libro). Es la funcin de prdida para la
curva normal estandarizada, evaluada para la medida de distancia D.
Hay que sealar que al aumentar el valor de D disminuye el valor de N(D) y,
si todos los dems elementos son iguales, es menor el VEIP.5 La reduccin en el
valor de N(D) es el resultado del aumento en la distancia
por lo tanto,
es menor la posibilidad de que la informacin perfecta
cambie la decisin ptima. El VEIP se calcula de la siguiente manera para el
ejemplo de este captulo:

El lector recordar los problemas que se mencionaron en el captulo 4 acerca de


la dificultad para calcular el VEIP en el caso discreto. Al usar la distribucin
normal se simplifican considerablemente los clculos en la mayora de las aplica5

N(D) se define como sigue:

donde/" (X) es la funcin de densidad normal estandarizada.

Captulo 7 Distribucin de probabilidad normal y valor de la informacin

213

ciones empresariales. En el ejemplo anterior se calcul el valor esperado de la


informacin perfecta, 475 dlares (lo cual tambin es la prdida de oportunidad
de la mejor accin) y el beneficio esperado de la mejor accin, 1200 dlares.
La suma de estos dos valores, 1675 dlares, puede definirse como el beneficio
esperado en condiciones de certidumbre.
Si dispusiramos de un pronstico perfecto, estaramos dispuestos a pagar hasta
475 dlares para usarlo. o es probable que pueda disponerse de un pronstico
perfecto, pero en algunos casos se podr obtener ayuda de informacin imperfecta. En el captulo que sigue se presentan los problemas de la determinacin del
tamao ptimo de muestras y la modificacin de la distribucin a priori normal
a la luz de la informacin adicional.

RESUMEN

Cuando (a) la incertidumbre con respecto a una variable desconocida se puede


representar con una distribucin normal, (b) la decisin implica seleccionar una
de dos alternativas, y (c) los beneficios o las prdidas se pueden expresar como
una funcin lineal de la variable desconocida, entonces el valor esperado de
la informacin perfecta se puede determinar fcilmente con la ecuacin 7-4 y la
tabla del apndice.

Bibliografa
Schlaifer, R., Probability and Statistics for Business Decisions, Nueva York, McGraw-Hill,
1959.
Winkler, R. L., Introduction to Business Inference
and Decisin, Nueva York, Holt, Rinehart &
Winston, 1972.

Vase tambin la bibliografa de los captulos 3,


4 y 8.

Problemas con respuestas


7-1.

7-2.

Suponga una distribucin normal con media


de 12 y desviacin estndar de 4. Calcule lo
siguiente:
a. P(X > 15).
b. P(X < 10).
c. P(IO<X< 15).
d. P(X > 17).
e. P(15<X< 17).
Si existe una variable X normalmente distribuida con media 15 y desviacin estndar 3,
determine el valor de en cada uno de los casos siguientes:
a. P{x < X) = 0.8413
b. P(X > x) - 0.2946.
c. P(X > x) - 0.02275.

7-3.

7-4.

En los casos siguientes se considera una distribucin normal como buena distribucin de
probabilidad a priori. Determine para cada
uno el valor esperado de la informacin perfecta (VEIP).
a. La media es 100 unidades; la desviacin
estndar es 20 unidades; C, la constante
de prdidas, es 2000 dlares por unidad;
el punto de equilibrio es 80 unidades.
b. La media es 100 unidades; la desviacin
estndar es 30 unidades; C, la constante
de prdidas, es 20 000 dlares por unidad;
el punto de equilibrio es 80 unidades.
Se sabe que las ventas diarias de un producto
tienen una distribucin normal de 20 unida-

Parte II Anlisis de decisiones

214

7-5.

des por da con desviacin estndar de seis


unidades diarias.
a. Cul es la probabilidad de vender menos
de 16 unidades en un da cualquiera?
b. Cul es la probabilidad de vender entre
15 y 25 unidades en un da?
c. Cuntas unidades tendran que estar dis
ponibles al comenzar el da para que la
probabilidad de que se agoten sea menor
del 10%?
La compaa ABC considera la venta de un
producto nuevo. Los costos fijos relacionados con el proyecto son 1750 dlares. El pro-

ducto se vender a cuatro dlares por unidad


y los costos variables son 1.50 dlares. Se espera la venta de mil unidades, pero la demanda tiene una distribucin normal de
probabilidad con igual a 150.
a. Cuntas unidades hay que vender para lo
grar el equilibrio?
b. Cul es el beneficio esperado si se pone
a la venta el producto?
c. Cul es el valor esperado de la informa
cin perfecta si se pone a la venta el pro
ducto?

Problemas
7-6.

Escriba las funciones de probabilidad requeridas para las probabilidades de ventas que se
indican a continuacin:
Ventas (s)
(en
d1 d )
2
3
4
5
10

15

Probabilida
d 0.10
0.15
0.20
0.30
0.20
0.03
0.02
1.00

Funciones de probabilidad requeridas:


P(S > s)
P(S > s)
P(S < s)
P(S < s)
7-7.

Encuentre las siguientes probabilidades para


una variable aleatoria distribuida normalmente, X. a. Media de 0, desviacin
estndar de 1:
P(X > 0.8)
P(X < 0.8)
P{X > - 0.8)

P(-0.8<X< 1.2)

b. Media de 6, desviacin estndar de 2:


P(X > 8)
P(X < 8)
P(X > - 8)
P(-8<X< 12)
c. Media de 6, desviacin estndar de 1:
P(X > 8)
P(X < 8)
P(X > 4)
P(4 < X < 12)
7-8. Encuentre el valor de las siguientes variables
aleatorias normalmente distribuidas para las
condiciones que se indican.
a. X es normal; la media es 0, la desviacin
estndar es 1.
P(X >x) = 0.02068
Cunto es x?
b. X es normal; la media es 8; la desviacin
estndar es 3.
P(Z>z) = 0.1587
Cunto es y son los valores estandarizados de X y x.
c. X es normal; la media es 8 y la desviacin
estndar es 3.
P(Z <z) = 0.7224
Cunto es ?
d. X es normal, la media es 10 y la desvia
cin estndar es 2.
P(Z > z) = 0.2327
Cunto es x?

Captulo 7 Distribucin de probabilidad normal y valor de la informacin


7-9.

7-10.

7-11.

7-12.

Se sabe que la demanda de un producto se


distribuye normalmente con media de 240
unidades por semana y desviacin estndar de
40 unidades. Cuntas unidades debe almacenar un minorista para asegurar que la posibilidad de agotar las existencias en una
semana sea del 5% o menos? Las
calificaciones de un examen semestral se
distribuyeron normalmente con media de 72 y
desviacin estndar de 10. El estudiante
Wright obtuvo una calificacin que estaba
dentro del 10% ms alto.
a. Cul es la calificacin mnima que pudo
recibir Wright?
b. El examen final tambin tuvo distribucin
normal, pero la media fue de 150 y la des
viacin estndar de 15. Cul es la califi
cacin mnima que debi obtener Wright
para mantener su mismo nivel (es decir,
para estar en el 10% superior)?
Un inversor quiere invertir en uno de dos proyectos. En ambos proyectos el rendimiento es
incierto y la distribucin de probabilidad de
los rendimientos se puede expresar como una
distribucin normal para cada caso. El proyecto A tiene un rendimiento medio de 240
000 dlares con desviacin estndar de 20
000 dlares; el proyecto B tiene rendimiento
medio de 250 000 dlares con desviacin
estndar de 40 000.
a. Considere un rendimiento de 280 000 d
lares. Qu proyecto tiene mayor posibili
dad de generar esta cantidad o ms?
b. Considere un rendimiento de 220 000 d
lares. Qu proyecto tiene mayor posibili
dad de generar esta cantidad o ms?
Un fabricante quiere efectuar una modificacin en un producto, para lo cual requiere una
inversin de 100 000 dlares. El producto
genera beneficios incremntales de cinco
dlares por unidad sobre la base del valor actual. El aumento en ventas que se obtendr de
la modificacin del producto proviene de la
atraccin del producto para 5000 nuevas
tiendas minoristas; si no se lleva a cabo la
modificacin, estas tiendas no manejarn el
producto. El gerente de ventas cree que la
media de las ventas en cada tienda nueva ser
de unas seis unidades y que hay un 50% de
probabilidad de que la media de las

7-13.

7-14.

7-15.

215

ventas sea menos de cinco unidades o ms de


siete.
a. Ajuste una distribucin normal a la situa
cin anterior.
b. Calcule el beneficio esperado de la mejor
accin. Debe realizarse la inversin?
c. Calcule el VEIP.
Suponga, en la situacin del problema 7-12,
que el gerente de ventas cree que la media de
las ventas por tienda ser seis unidades pero
que hay un 50% de probabilidad de que la
media real sea menos de cuatro unidades o
ms de ocho. Calcule el VEIP y explique por
qu es mayor que el del problema 7-12. En
cada una de las situaciones siguientes se
considera que una distribucin normal es una
buena distribucin de las probabilidad a priori. Sin embargo, en cada caso se suponen diferentes caractersticas de la distribucin.
a. Calcule el VEIP.
b. Explique la diferencia entre el VEIP de ca
da situacin y el de la situacin (1).
(1) Media: 10 unidades.
Valor de equilibrio: 7 unidades.
Desviacin estndar: 2 unidades. C, la
constante de prdidas: $5000 por
unidad.
(2) Media: 10 unidades.
Valor de equilibrio: 7 unidades.
Desviacin estndar: 5 unidades. C, la
constante de prdidas: $5000 por
unidad.
(3) Media: 10 unidades.
Valor de equilibrio: 9 unidades.
Desviacin estndar: 2 unidades. C, la
constante de prdidas: $5000 por
unidad.
(4) Media: 10 unidades.
Valor de equilibrio: 7 unidades.
Desviacin estndar: 2 unidades.
C, la constante de prdidas: $10 000
por unidad.
Un fabricante considera una inversin de capital necesaria para ingresar en un nuevo segmento del mercado. La inversin que requiere
es de 100 000 dlares y el fabricante cree que
el valor actual de la media del flujo de
efectivo es 150 000 dlares. Sin embargo,
tambin opina que hay un 50% de probabilidad de que el valor actual real sea menos de

216

7-16.

7-17.

Parte II Anlisis de decisiones


80 000 dlares o ms de 220 000 dlares. La
cifras de 150 000, 80 000 y 220 000 dlares
son antes de restar la inversin de 100 000
dlares.
a. Debe efectuarse la inversin?
b. Calcule el VEIP utilizando una distribu
cin normal a priori.
La compaa Bamonite estudia la posibilidad
de alquilar una "mquina de escribir inteligente", de la cual se espera que reduzca en un
30% el tiempo de trabajo de la secretaria,
para que pueda dedicarlo a otras tareas. La
mquina de escribir se alquila por 2000 dlares anuales. La secretaria trabaja 2000 horas
al ao y se le paga a seis dlares la hora. El
gerente estima que hay un 50% de probabilidad de que el ahorro real en el tiempo de la
secretaria est entre el 20 y el 40%.
a. Debe alquilar la mquina de escribir?
b. Cul es el VEIP?
c. Suponga que el gerente pudiera invertir 10
horas de su tiempo (valorado en 20 dla
res la hora) para realizar un anlisis deta
llado y determinar exactamente cul sera
el ahorro en el tiempo de la secretaria. En
este caso, qu debe hacer el gerente?,
por qu?
La compaa ABC vende un producto a tres dlares la unidad. Los costos incremntales relacionados con el producto son 50 000 dlares y
los costos variables son dos dlares por unidad.
Hay exceso de capacidad y se pueden producir
unidades adicionales sin costos fijos adicionales ni cambios en los costos marginales.
El programa que se muestra a continuacin
se ha preparado para analizar un cambio posible en el precio.
a. Calcule el beneficio esperado para cada
precio.
b. Calcule el nmero de unidades de equili
brio para cada precio.

Informacin de:

Precio
Ventas esperadas
(miles de dlares)
Desviacin estndar de la
distribucin
de ventas

Precio
Precio
Precio despus de despus del
actual /
: aumento
d

$3
$4
$2.50
100

250

60

20

75

35

c. Calcule la prdida de oportunidad esperada


de cada precio.
7-18. Un constructor evala la posibilidad de concursar para obtener el contrato de construccin
de una carretera estatal. Ya decidi que si
concursa, lo har con un precio de 8.4 millones
de dlares. Sin embargo, para que el trabajo
valga la pena, necesitara beneficios de por lo
menos 0.4 millones de dlares; por lo tanto, no
concursara si los costos estimados fueran
superiores a 8 millones de dlares. El
constructor ha estimado, con base en algunos
clculos preliminares, que puede construir la
carretera con 7.8 millones de dlares. Pero, sabe
que con frecuencia hay errores en estos clculos
preliminares. Al estudiar los trabajos anteriores,
descubri que el promedio de las estimaciones
preliminares se aproximaba al promedio del
costo real. As mismo, aproximadamente dos
terceras partes de las estimaciones preliminares
estaban dentro del 10% del costo real.
Suponiendo que el constructor est dispuesto a
basar la decisin en el valor monetario esperado,
qu debe decidir? Cul es el VEIP?

Problemas ms difciles
7-19. Una empresa de ventas por correo pretende
incluir anuncios a color en su catlogo, el
cual se enva a 100 000 clientes. Las compras
actuales por cada cliente que recibe los cat-

logos en blanco y negro son de seis dlares.


La gerencia opina que con el catlogo a color
es muy probable que las ventas aumenten a
siete dlares por cliente. Sin embargo, hay

Captulo 7 Distribucin de probabilidad normal y valor de la informacin

7-20.

7-21.

7-22.

bastante incertidumbre con respecto al efecto


del color y la gerencia piensa que la estimacin de siete dlares por cliente puede variar
hasta en un dlar en ambas direcciones, con
probabilidad de Vi. En otras palabras, la desviacin estndar es de un dlar.
La compaa obtiene en promedio un 20%
de beneficio sobre las ventas. Cuesta 25 centavos ms imprimir un catlogo a color que
uno en blanco y negro.
a. Deben usar el catlogo a color?
b. Cul es el VEIP?
Una compaa de construccin tiene un contrato para terminar un trabajo en 180 das y
tendr que pagar una multa de 10 000 dlares
por cada da que exceda los 180 para terminar el proyecto. Hay incertidumbre acerca de
cunto tardar, por las condiciones del clima,
la posibilidad de huelgas, etctera. La gerencia ha asignado una distribucin de probabilidad normal al nmero de das necesarios
p^ra concluir el proyecto. Esta distribucin
tiene una media de 170 das y desviacin estndar de 12 das.
a. Cul es la probabilidad de que se conclu
ya el trabajo a tiempo?
b. Cul es el costo esperado de penalizacin?
Una pieza de equipo tiene un costo de 100
000 dlares. Los beneficios esperados de su
uso son slo 80 000 dlares, por lo que se
espera una prdida de 20 000 dlares si se
compra. Los beneficios se distribuyen
normalmente con desviacin estndar de 20
000 dlares.
a. La empresa puede comprar informacin
perfecta acerca del rendimiento del equi
po. Cunto es lo mximo que debera es
tar dispuesta a pagar, suponiendo que slo
considera la adquisicin de un equipo?
b. Suponga ahora que si el equipo tiene xi
to, la empresa comprar 100 unidades
ms, cada una con los mismos resultados
econmicos. Suponga que la nica forma
de obtener informacin es comprar una
pieza, con lo cual se obtendra informa
cin perfecta. Debe comprarse una pieza?
Un fabricante de artculos electrnicos se enfrenta al problema de decidir cmo inspeccionar los circuitos integrados que salen de la

7-23.

7-24.

217

lnea de montaje. Un porcentaje elevado de


los circuitos tiene defectos y el fabricante tiene que escoger entre dos sistemas de inspeccin. Ambos sistemas funcionan bien con
circuitos buenos; es decir, nunca clasifican
como defectuoso un circuito bueno. Sin embargo, los dos sistemas varan en cuanto a la
clasificacin de defectuosos. El primer dispositivo, de naturaleza mecnica, comete errores en la clasificacin con una tasa promedio
del 10%, pero la tasa real de errores en la clasificacin se distribuir normalmente alrededor de 0.10 con desviacin estndar de 0.03
(esta variacin se debe al ajuste imperfecto de
la mquina al inicio de la sesin de produccin). Una tasa de 0.10 errores en la clasificacin significa que 0.10 de todo el lote an
tiene defectos despus de la inspeccin. El
tipo de proceso de produccin no permite que
la mquina se reajuste una vez iniciada la
sesin de inspeccin; el ajuste tiene que realizarse en la siguiente sesin.
El otro sistema de inspeccin consiste en
colocar un trabajador en la lnea de montaje.
La experiencia anterior indica que este sistema slo produce 0.01 errores en la clasificacin. Si se usa el trabajador, el costo
incremental, por encima del de la mquina,
ser de 25 dlares por sesin de produccin
(una sesin es de mil circuitos). Cuando un
circuito defectuoso se clasifica como bueno,
hay un costo de 50 centavos por circuito para
realizar trabajo adicional sobre el submontaje.
Calcule lo siguiente (por sesin de produccin):
a. El VME de la mejor accin.
b. El VEIP (con respecto a la informacin
perfecta acerca de la tasa de errores de cla
sificacin de la mquina).
c. El costo esperado en condiciones de certi
dumbre.
Resuelva el problema 7-22 suponiendo que la
media de la tasa de errores de clasificacin de
la mquina es an 0.10 pero que la desviacin
estndar es 0.05.
Resuelva el problema 7-22 suponiendo que la
media de la tasa de errores de clasificacin de
la mquina es 0.07 y que la desviacin estndar es 0.03.

218

7-25.

Parte II Anlisis de decisiones


Un empresario ha decidido fabricar un producto nuevo, para lo cual puede alquilar una
de dos mquinas disponibles. La mquina A
tiene un costo de alquiler de 100 000 dlares
y un costo unitario de produccin de dos dlares; la mquina B se alquila por 200 000 dlares pero el costo unitario de produccin es
de slo un dlar. El empresario cree que la
demanda anual del producto ser "aproximadamente 150 000 unidades" y que hay alrededor de 2/3 de probabilidad de que la demanda
est entre 100 000 y 200 000 unidades.
a. Calcule el valor de equilibrio para la de
manda (es decir, el valor de la demanda
necesario para que al empresario le sean
indistintas las dos mquinas).
b. Cul mquina debe alquilar el empresa
rio? Por qu? Cul es el ahorro en los
costos esperados de la opcin correcta,
comparado con la opcin incorrecta?
c. Cul es el VCIP?
d. Cul es el VEIP?

7-26.

El agente de compras de una cadena de panaderas quiere determinar cul es la mejor manera de comprar los sacos de trigo que la
compaa necesitar en septiembre. Una alternativa es pagar el trigo en el mercado actual
al precio de 3.28 dlares por saco, para que lo
entreguen en septiembre. Este precio concuerda con las expectativas del agente de
compras en lo que se refiere al precio del trigo
que se compre en el mercado libre en el mes
de septiembre (la otra alternativa). La experiencia indica que el precio del mercado libre puede variar considerablemente en
septiembre y que la probabilidad de que el
precio en dicho mes est 25 centavos por encima o por debajo del precio de 3.28 dlares
(por saco) es de 2/3.
a. Si el agente tiene aversin al riesgo, qu
alternativa escogera: Comprarlo ahora en
el mercado para entrega a futuro o com
prarlo en el mercado libre en septiembre?
b. Cul es el VEIP?

CAPTULO

8
Modificacin de
probabilidades normales
por muestreo

En los captulos 3 y 4 se analiz el concepto de modificacin de las probabilidades


subjetivas mediante la obtencin de pruebas nuevas o experimentales. En el
captulo 3 se present la modificacin de probabilidades y en el captulo 4 se
consider el esquema general para la introduccin de pruebas procedentes de
muestras o experimentos. El propsito de este captulo es ampliar el anlisis y
aplicarlo en una situacin de decisin especfica con la distribucin normal de
probabilidad.
Se usar un problema para ilustrar los conceptos implicados. Suponga que una
empresa quiere fabricar un producto nuevo y que lo vender en una cadena de
5000 tiendas. La empresa no est segura del nivel de ventas del producto y no ha
podido decidir si lo lanza al mercado o no.
La primera fuente de informacin que puede aprovechar la empresa al tomar
esta decisin es su propio juicio y su experiencia (que incluye el anlisis de la
introduccin de productos similares en el pasado). Esta experiencia se puede
representar con una distribucin de probabilidad subjetiva de las ventas medias
del producto nuevo en cada tienda. Suponga que la gerencia indica que su
distribucin de probabilidad subjetiva del promedio de ventas por tienda es
normal y que tiene una media de 400 unidades y una desviacin estndar de 30.
La empresa podra utilizar la informacin anterior para tomar la decisin, sin
necesidad de otras pruebas; pero tambin puede llevar a cabo experimentos y
obtener informacin adicional. El experimento podra ser, por ejemplo, un estudio
de investigacin de mercado en el cual se tome una muestra aleatoria de las 5000
tiendas. Despus, el producto nuevo se podra vender a prueba en las tiendas
seleccionadas y medir las ventas, para luego utilizar los resultados como estimaciones para las 5000 tiendas.
219

Parte II Anlisis de decisiones

220

Los resultados mustrales estn sujetos a cierta incertidumbre. Puede existir


un sesgo en las pruebas.1 Existe adems el error aleatorio o de muestreo, por el
hecho de que se ha experimentado con una muestra y no con todo el grupo de
tiendas. Por lo tanto, no se deben usar las pruebas de la muestra como la nica
base para tomar la decisin.
Al modificar las probabilidades se pueden combinar las probabilidades subjetivas del fabricante con los resultados de las muestras para obtener una distribucin subjetiva modificada o a posteriori, la cual sirve como base para la toma de
decisiones.
El punto focal de este captulo es la modificacin de la media y la desviacin
estndar de una distribucin normal a priori a la luz del conocimiento de los
resultados mustrales. Tambin se analizar si es deseable o no obtener las
pruebas, teniendo en cuenta que el proceso de muestreo tiene un costo.
Para comenzar, se describirn varias distribuciones que pueden aparecer al
modificar la distribucin de probabilidad normal a priori.

Distribuciones de probabilidad
En el anlisis se usarn cinco distribuciones de probabilidad:
1. La distribucin de la poblacin, donde = desviacin estndar y = media.
Esta distribucin refleja las caractersticas de los componentes individuales de la
poblacin de la cual se extrae la muestra. En el ejemplo anterior, se trata de
la distribucin de probabilidad de ventas por tienda, para la poblacin de 5000
tiendas. Si estuvieran disponibles todos los datos, se podran agrupar las tiendas
por las cantidades que venden y luego dividir estas cantidades entre el total de
tiendas, de manera que la suma de las proporciones sea igual a 1. En la figura 8.1
se muestra una distribucin posible de las ventas de las tiendas de la poblacin.
Habra una pequea proporcin de tiendas con ventas cuantiosas (ms de 800
unidades), pero la mayora vendera menos de 800 unidades. Esta distribucin,
como es tpico en muchas de las distribuciones de datos econmicos, se inclina
hacia la derecha (es decir, tiene una cola larga a la derecha) y la distribucin
normal no sera una buena aproximacin de la curva de la figura 8-1. La empresa
supuestamente tiene una buena estimacin de la desviacin estndar de la
distribucin de las ventas de las tiendas, la cual puede basarse en los datos de
estudios anteriores o en una muestra. No se conoce la media real de la distribucin.
Por lo general se desconocen
y se usan la media y la desviacin estndar
de la muestra como estimaciones de
2.

Distribucin de la muestra. Suponga que se selecciona una muestra aleatoria de


tiendas. Se podra hacer una distribucin de frecuencias, parecida a la que se
1

En este libro slo se har nfasis en el error de muestreo. Si desea conocer un anlisis ms detallado del
procedimiento para tratar algunas de las formas de sesgo, vea R. Schlaifer, Probability and Statisticsfor Business
Decisions, Nueva York, McGraw-Hill, 1959, Cap. 31.

Captulo 8 Modificacin de probabilidades normales por muestreo

Figura 8-1

221

Distribucin de poblacin (distribucin de ventas por tienda)

hizo antes, de los elementos de la muestra; es decir una distribucin de ventas


por tienda para las tiendas de la muestra. Hay relaciones muy bien definidas entre
esta distribucin y la distribucin de la poblacin. Especficamente, si X corresponde a las ventas de la isima tienda de la muestra de n tiendas, la media de la

es una estimacin insesgada de la media de la poblacin,


La varianza de la muestra es:

es una estimacin insesgada de la varianza de la poblacin.


desviacin estndar de la muestra es
y es una estimacin de
y

La

3. Distribucin de las medias de las muestras. De una poblacin se pueden


obtener muchas muestras aleatorias, cada una de las cuales tendr una media
Si se consideran todas las muestras posibles, es en s una variable aleatoria y
tiene una distribucin de probabilidad con media
y desviacin estndar
muestra es:
2

Un estadstico de una muestra es insesgado si el valor esperado del estadstico es igual al parmetro correspon
diente de la poblacin. En particular,
La media de la muestra es insesgada, ya que, en
promedio, ser igual a la media de la poblacin.
3
En este libro se llamar
como se defini antes, a la varianza de la muestra, aunque otros autores pueden
usar el trmino para referirse a la frmula anterior sustituyendo n - 1 por n. Al usar n, la varianza de la muestra
no es una estimacin insesgada de la varianza de la poblacin

222

Parte II Anlisis de decisiones

sin embargo, la distribucin de la poblacin y la


No se conocen
ni
distribucin de las medias de las muestras se relacionan de la siguiente manera:

Hay que recordar que representa la media de una muestra y que


es el
promedio de las medias mustrales.
En las muestras de eran tamao, la distribucin de las medias mustrales es
aproximadamente normal, incluso si la distribucin de X no lo es.4 La normalidad
de esta distribucin ser importante en los temas que se vern ms adelante. En
este libro se dar por hecho que se ha tomado una muestra de tamao suficiente
para asegurar la normalidad de la distribucin de las medias de las muestras.5
4. Distribucin a priori de la media de la poblacin. Antes de tomar una muestra
existe una distribucin a priori de la media de la poblacin. Se trata de una
distribucin de probabilidad subjetiva del decisor. En el ejemplo, el gerente tiene
una distribucin subjetiva a priori de las ventas medias por tienda. Los parmetros
de la distribucin a priori son la media = 400 unidades (representada por
y la
es
desviacin estndar = 30 unidades (representada por
Observe que
la desviacin estndar de la distribucin de probabilidad a priori de la estimacin
de la media de la poblacin (no es una estimacin de la desviacin estndar de la
poblacin.
La variable aleatoria de la distribucin a priori (y tambin de la a posteriori) es
la media de la poblacin. Aunque la distribucin real de la poblacin tiene una
media especfica (como en la figura 8-1), el decisor no conoce esta media y por
lo tanto se trata de una variable aleatoria (subjetiva).
El subndice 0 de los smbolos
indica una distribucin a priori. El
subndice 1 se usar para indicar una distribucin a posteriori.
5. Distribucin a posteriori de la media de la poblacin. La distribucin a priori
de la poblacin se actualiza despus de tomar la muestra para obtener la distribucin a posteriori con
la media, y
la desviacin estndar. Si la distribucin
a priori es normal y la distribucin de las medias mustrales tambin es normal,
ser normal la distribucin a posteriori.
A continuacin se indicar cmo actualizar o modificar la distribucin a priori
con base en la informacin de la muestra para obtener la distribucin a posteriori.

Esto es resultado del teorema central del lmite. Vase cualquier libro sobre teora estadstica, como los que se
presentan en la bibliografa, al final del captulo.
5
La determinacin del tamao de muestra necesario para asegurar la normalidad de la distribucin de muestreo
de no es sencilla. Si la poblacin es simtrica, son adecuadas las muestras muy pequeas. Si las distribuciones
presentan mucha inclinacin, entonces se requieren muestras muy grandes. Para fines prcticos se consideran
adecuadas las muestras de 30 a 50 elementos. Vase Schlaifer, Probability and Statistics, Cap. 17, para conocer
ms al respecto.

Captulo 8 Modificacin de probabilidades normales por muestreo

223

Modificacin de la distribucin a priori


Suponga que la distribucin a priori de la media de la poblacin es normal y que
la media es y la desviacin estndar es
Se toma una muestra aleatoria
de tamao n; la media de la muestra es y la desviacin estndar de la muestra
es
es una estimacin de la desviacin estndar de la poblacin). Para
simplificar las frmulas que se usarn, introduciremos el smbolo / para
representar la cantidad de informacin que contiene la distribucin, y se definir /
como la inversa de la varianza correspondiente; es decir:

Si la cantidad de informacin en una distribucin es grande, la cantidad de


incertidumbre es pequea, lo cual se indica con una distribucin cerrada con poca
varianza, y viceversa. Por lo tanto, la varianza de una distribucin se relaciona
inversamente con la cantidad de informacin.
La media de la distribucin modificada,
se obtiene tomando un promedio
ponderado de la media a priori y la media de la muestra, en el cual las ponderaciones son las cantidades relativas de informacin en las distribuciones:

Las ecuaciones 8-8 y 8-10 (en la pgina 225), para las distribuciones normal a
priori y de la muestra, son equivalentes al procedimiento de modificacin de
probabilidad del captulo 3: determinan la media y la desviacin estndar de la
distribucin normal a posteriori.
Ejemplo

Nuestra empresa, que quiere introducir un producto nuevo, posee una distribucin
a priori normal de las ventas medias del producto por tienda con media
unidades y desviacin estndar de = 30 unidades. Hay 5000 tiendas y se
selecciona al azar una muestra de 100 tiendas. El producto se entrega a las 100
tiendas y se mantiene un registro de las ventas. Las ventas promedio por tienda,
en las 100 tiendas, son de 420 unidades; es decir, (la media de la muestra) =
420. La desviacin estndar de la muestra es 200 unidades; o sea,
Si se usa como estimacin de la desviacin estndar de la
poblacin, se puede estimar con la ecuacin 8-4:

224

Parte II Anlisis de decisiones

Los valores de la informacin son, de las ecuaciones 8-5 y 8-6:

La media modificada, al usar la ecuacin 8-8, es:

La media de la distribucin a priori era 400, pero como la desviacin estndar


era relativamente grande en comparacin con
la cantidad de inforera pequea. La media de la muestra
macin en la distribucin a priori
fue 420 y, como la desviacin estndar de la media de la muestra fue relativamente
fue
pequea
la cantidad de informacin en la muestra
relativamente grande. De este modo, la media modificada, 413.8, se aproxima
ms a la media de la muestra de 420 que a la media anterior de 400. Si la
distribucin a priori tuviera una desviacin estndar relativamente grande, la media a priori estara ligeramente ponderada y tendra menos efecto sobre la media
a posterior! (o modificada)
Observe que en la ecuacin 8-6:

Por lo tanto, la cantidad de informacin en la muestra se relaciona directamente


con el tamao de la muestra. Las muestras grandes tienden a ser muy precisas,
por lo que si es grande, la distribucin a priori tender a tener poco efecto en la
distribucin a posterior! y, por consiguiente, en la decisin.
Por otra parte, en el caso de muestras pequeas, la distribucin a priori puede
tener efectos importantes, sobre todo si la desviacin estndar de la poblacin
es grande.

Modificacin de la desviacin estndar


La informacin de la distribucin modificada es igual a la suma de la informacin
en la distribucin a priori ms la informacin en la muestra:

Captulo 8 Modificacin de probabilidades normales por muestreo

Ejemplo

En el ejemplo de la seccin anterior, los valores de

El valor de

225

fueron:

por la ecuacin 8-9, es:

La desviacin estndar de la distribucin modificada se puede calcular con la


de la ecuacin 8-7:
definicin de

La desviacin estndar modificada


es menor que la desviacin
estndar de la distribucin a prion
y que la desviacin estndar de la
media muestral
Entonces, la distribucin a posteriori, al combinar las
estimaciones de las dos fuentes (juicio y muestra), contiene ms informacin que
cualquiera de las fuentes aisladas.
En vez de usar la frmula anterior, que utiliza
se puede desarrollar una
variacin de la frmula que use slo las desviaciones estndar relevantes:

La desviacin estndar modificada es igual a:

Al usar esta ecuacin para resolver el ejemplo:

226

Parte II Anlisis de decisiones

Figura 8-2

Distribuciones a priori y a posteriori

lo cual est de acuerdo con la solucin anterior.


Si se conoce
la desviacin estndar de la poblacin, entonces, en lugar de
estimar con:

se puede calcular

con la relacin:

La figura 8-2 compara la distribucin a priori con la distribucin a posteriori.

RESUMEN

Si (a) la incertidumbre a priori con respecto a una variable desconocida se puede


representar con una distribucin normal, y si (b) se toma una muestra de tamao
suficiente para que la distribucin de las medias mustrales sea aproximadamente
normal, entonces la distribucin modificada (a posteriori) de la variable desconocida tambin estar normalmente distribuida, con la media y la desviacin
estndar que se indican en las ecuaciones 8-8 y 8-10.

Distribucin normal a posteriori y toma de decisiones


La distribucin normal a posteriori se obtiene de la combinacin de probabilidad
subjetiva a priori y resultados mustrales. La distribucin a posteriori es en s una
distribucin para la toma de decisiones. Como es normal, pueden aplicarse las
tcnicas que se presentaron en el captulo 7. Veamos con detalle algunos de estos
puntos.
Suponga que la empresa que considera la introduccin de un producto nuevo
cuenta con la siguiente informacin econmica: el costo de la maquinaria y de la
publicidad del nuevo producto es de 520 000 dlares; el beneficio variable (o

Captulo 8 Modificacin de probabilidades normales por muestreo

227

contribucin) por unidad que se venda es de 25 centavos y el nmero de tiendas


es 5000.
Despus de tomar la muestra, la variable aleatoria a posteriori es
Despus de tomar la muestra, la variable aleatoria a posteriori es
La media de las ventas por tienda. La ecuacin del beneficio, en funcin de

la media
es:

Beneficio
El valor de equilibrio de la media de las ventas, representado con

es:

Puesto que la media a posteriori,


es aun menor que
la empresa
no debe lanzar el producto al mercado.
Es posible determinar el valor esperado de la informacin perfecta (VEIP) para
la distribucin a posteriori, con la ecuacin 7-4 del captulo 7:

donde

en este caso:

RESUMEN
La distribucin normal a posteriori se puede usar como cualquier otra distribucin
normal para tomar decisiones y para determinar el valor esperado de la informacin perfecta.

Decisin de muestrear
Veamos ahora si es apropiado el muestreo y cul debe ser el tamao de la muestra.
El anlisis de esta seccin difiere del de la seccin anterior, por ser anterior a la
muestra, no posterior.

Situacin inicial
La gerencia considera la posibilidad de invertir en un producto nuevo. Suponga
que el cambio en el beneficio por unidad que se obtendra de la decisin de invertir

228

Parte II Anlisis de decisiones

Figura 8-3

Distribucin a priori de la media de la poblacin

Funcin de
densidad
normal

Distribucin
a priori
C = pendiente

es C (la funcin de beneficio es lineal) y que la cantidad de equilibrio es


La
media de la distribucin a priori de las ventas promedio es
La figura 8-3 indica que la decisin no es deseable. La media
est a la
izquierda de
el punto de equilibrio; adems, la inversin tiene un valor
esperado negativo igual a
Sin embargo, existe la posibilidad de que
el valor real de est a la derecha de
El valor esperado de la informacin perfecta es:

donde:

La ecuacin 8-11 tambin mide la prdida de oportunidad esperada para la


decisin de no invertir, ya que sta es la decisin ptima. Antes de efectuar el
muestreo, este valor se basa en el juicio subjetivo de la persona que decide,
expresado como una distribucin de probabilidad para la media de la poblacin.
Considere el ejemplo que se us antes, en el cual una empresa investiga la
introduccin de un producto nuevo. Hay una distribucin normal a priori de las
medias de las ventas del producto por tienda con
400 unidades y desviacin
estndar de
30 unidades. El costo de maquinaria y publicidad del nuevo
producto es de $520 000. Hay 5000 tiendas y el beneficio variable (o contribucin)
por unidad que se venda es de 25 centavos. El beneficio por unidad de cambio en
la media de las ventas por tienda es:
C = 0.25 5 000 = 1 250

Captulo 8 Modificacin de probabilidades normales por muestreo

229

El valor de equilibrio es
416 unidades.
La accin ptima que se basa en las probabilidades a priori es rechazar el
producto nuevo. Sin embargo, la prdida de oportunidad esperada de la accin de
rechazo (el valor esperado de la informacin perfecta) es:
VEIP =

VEIP =
Entonces, estaramos dispuestos a pagar hasta 7076 dlares por la informacin
perfecta acerca del verdadero nivel de las ventas promedio por tienda para el
nuevo producto.

Distribucin esperada a posteriori


Antes de tomar la muestra se puede estimar el cambio que ocurrir en la distribucin. Es decir, se puede suponer la distribucin a posteriori antes de tomar la
muestra y modificar la distribucin a priori. No se sabe de antemano cul ser
la media de la muestra, y por consiguiente tampoco se sabe con precisin cul
ser la media de la distribucin a posteriori. Sin embargo, si se puede obtener
alguna medida de la varianza de la muestra, se puede estimar la varianza a
posteriori y la informacin en la distribucin a posteriori. Recuerde que el error
de muestreo (la desviacin estndar de la distribucin de las
es:

Por lo tanto, se necesita medir la desviacin estndar de la poblacin


para
estimar la varianza de una muestra de tamao n. Esta estimacin de
puede
obtenerse de estudios previos, de una opinin fundamentada o de una muestra
piloto de la poblacin.
Se usar el smbolo para indicar la cantidad de reduccin en la varianza de
la distribucin a priori a la posteriori. Es decir:

Al sustituir lo anterior en la ecuacin 8-12:

230

Parte II Anlisis de decisiones

de manera que:

Valor esperado de la informacin de la muestra


El valor econmico de una muestra resulta del hecho de que reduce la prdida
esperada a posteriori. En otras palabras, la muestra, al proporcionar informacin
adicional, reduce la probabilidad de tomar una decisin errnea. El valor esperado
de la informacin de la muestra (VEIM) se calcula en forma anloga al VEIP, con
como desviacin estndar. Entonces:

VEIM
donde:

Decisin de muestrear
Consideremos, para el ejemplo anterior, la posibilidad de tomar una muestra de
tamao = 100. Recuerde que el VEIP = 7076 dlares. Incluso si el costo de la
muestra es menor que esta cantidad, no existe la seguridad de que la muestra valga
la pena, ya que slo proporciona informacin imperfecta.
Suponga que
200 (se sabe por la experiencia anterior). Con tamao de
muestra igual a 100, la desviacin estndar de las medias de la muestra es:

El valor de

de la ecuacin 8-13:

= 24.9 (aproximadamente)
De la ecuacin 8-14
VEIM

Captulo 8 Modificacin de probabilidades normales por muestreo

231

En esta situacin no se efectuara un muestreo de 100 unidades si el costo del


muestreo fuera mayor que 4918 dlares.
Segundo
ejemplo

Suponga ahora que el nmero de unidades equilibrio es 402 (antes era 416; ahora
es ms fcil tomar la decisin incorrecta). El valor esperado de la informacin
perfecta, con la ecuacin 8-11, es ahora:

De la
tamao

Si el costo del muestreo de 100 unidades es menor que 11211 dlares, entonces
es deseable.
El valor esperado de la informacin de muestreo ha aumentado considerablemente en este segundo ejemplo al reducir la diferencia entre el nmero
esperado de unidades y el nmero de unidades de equilibrio. El valor esperado de
la informacin de la muestra tambin habra aumentado si a0 hubiera sido mayor
(o sea, mayor incertidumbre acerca de la JJ verdadera), con lo que aumentara la
posibilidad de tomar la decisin equivocada.
Tercer Supong
ejemplo

es 150

es 200.

Suponiendo que el nmero de unidades necesario para el equilibrio es an 402,


el VEIM es:

232

Parte II

Anlisis de decisiones

El VEIM es ahora mucho mayor que en los dos ejemplos anteriores. El valor
implica eran cantidad de incertidumbre acerca de la estimacin a
de 150 para
La muestra reduce notablemente esta incertidumbre y, por lo tanto,
pnon
tiene gran valor.
fuera menor que 200 unidades, la muestra proporcionara mas informaSi
cin, ya que los elementos escogidos perteneceran a una poblacin menos
aumentara. Con esto, habra una tendencia a aumentar el VEIM.
dispersa;
Adems, el valor de D* disminuira y el trmino N(D*) aumentara, con lo que
tambin aumenta el valor esperado de la informacin de la muestra.
Se puede obtener una
En muchas situaciones no se conocer el valor de
estimacin del valor tomando una pequea muestra preliminar y usando la
relacin:

Luego se puede determinar si es deseable continuar el muestreo, utilizando


para calcular

RESUMEN

El valor esperado de la informacin de la muestra (VEIM) representa el beneficio


adicional que espera obtener el decisor si acta de manera ptima despus de
observar los resultados de una muestra de tamao determinado, en comparacin
con el beneficio que se esperara con base en la informacin a priori. El VEIM se
puede calcular con la ecuacin 8-14 en problemas que implican (a) dos alternativas, (>) funciones lineales de los beneficios, (c) distribuciones a priori normales,
y (d) una distribucin aproximadamente normal de las medias de la muestra.

Tamao ptimo de la muestra


La diferencia entre el valor esperado de una muestra de tamao determinado
(VEIM) y su costo se define como la ganancia neta esperada (GNE) del
muestreo. Si aumenta el tamao de la muestra, es mayor su valor (VEIM), pero
con una tasa cada vez menor. El VEIM nunca podr ser mayor que el valor
esperado de la informacin perfecta (VEIP). El costo del muestreo se relaciona
con el tamao de la muestra; por lo general, si es mayor la muestra, costar ms.
Estas relaciones se presentan en forma grfica en la figura 8-4, para el caso en el
cual el costo del muestreo es lineal.

Captulo 8 Modificacin de probabilidades normales por muestreo


Figura 8-4

233

Tamao ptimo de la muestra

La ganancia neta esperada (GNE) primero aumenta y despus se reduce. El


valor de que maximiza la GNE es el tamao ptimo de la muestra. Una muestra
mayor tendra menos valor neto; una muestra ms pequea que el tamao ptimo
podra aumentarse, sin que dejara de ser rentable.6

Un ejemplo integral
Suponga que un fabricante de juguetes considera la produccin de un juguete
nuevo. La inversin necesaria para llevar a cabo la produccin del juguete es de
500 000 dlares en el primer ao. Los beneficios incremntales (precio de venta
menos costo variable) son de un dlar por juguete. Para que la empresa no tenga
prdidas, debe vender por lo menos 500 000 unidades en un ao.
El producto se vender a 50 000 tiendas minoristas a las cuales la compaa
vende actualmente sus productos. El punto de equilibrio de las ventas,
es 10
unidades por tienda (500 000 -s- 50 000). Despus de pensarlo con cuidado, el
fabricante supone que las ventas medias por tienda sern de 12 unidades (es decir,
= 12) y asigna una probabilidad del 50% de que las ventas medias por tienda

En algunas circunstancias se puede reducir la determinacin del tamao ptimo de la muestra a una frmula
matemtica. Vase, por ejemplo, R. Schlaifer, Probability and Statistics for Business Decisions, Nueva York,
McGraw-Hill, 1959, Cap. 34. En este captulo se determinar por tanteo un valor ptimo aproximado.

234

Parte II Anlisis de decisiones

Figura 8-5

Distribucin subjetiva a priori de las ventas medias por tienda

sean menor que 8 o mayor que 16. Si se acepta una distribucin normal como
indicacin de las probabilidades subjetivas a priori, la distribucin se podra
ajustar como se muestra en la figura 8-5.
La media de la distribucin, es igual a 12 unidades y la desviacin
estndar, 0, es de seis unidades. Es una distribucin que muestra la
probabilidad de distintos valores de las ventas medias por tienda.
Con base en los datos anteriores, la mejor accin es introducir el juguete. Esto
se debe a que las ventas por tienda necesarias para lograr el equilibrio,
son menores que la estimacin de la media, 12. El costo de la incertidumbre, o
VEIP, es de 76 650 dlares:
C = 1 juguete x 50 000 tiendas $1 por juguete
= $50 000

VEIP

Hay que determinar si vale la pena efectuar el muestreo y, de ser as, cul deber
ser el tamao de la muestra.
Consideremos primero si la accin cambiar despus de obtener la informacin
de la muestra. Si se toma una muestra y se observa la media, se modificar
entonces la media de la distribucin subjetiva a priori. Si la media modificada es
mayor que 10 (la media de equilibrio), se mantendr la decisin de vender el

Captulo 8 Modificacin de probabilidades normales por muestreo

235

Figura 8-6

Pendiente
$50 000

Ventas medias

producto y la informacin de la muestra tendra valor de cero. Por otra parte, si


la media de la muestra est por debajo de 10, de forma tal que la media modificada
tambin sea menor que 10, la decisin sera no vender el juguete y, en este caso,
la muestra tendra valor. Por lo tanto, el valor de la muestra depende en gran
medida del valor de la media modificada.
El anlisis anterior se ilustra en las figuras 8-6 y 8-7. Si la media modificada,
cae a la derecha de
10, se escoge la misma accin que se hubiera escogido
sin la muestra. Por otra parte, si tiene un valor de t (vase Fig. 8-7) el muestreo
habra evitado una prdida esperada de C*. No se sabe cul ser el valor de
antes de tomar la muestra, por lo cual se le trata como una variable aleatoria. La
mejor estimacin de la media modificada es la media de la distribucin a priori,
es una estimacin insesgada de
ya que
Suponga que
10; es decir, la desviacin estndar de la distribucin de las
compras en las tiendas es 10. La desviacin estndar de la poblacin,
es un
elemento importante de la decisin de muestreo.
es grande, significa que las
compras en las tiendas se dispersan considerablemente con respecto a las ventas
medias de todas las tiendas. En este caso, la muestra no proporcionara mucha
informacin si
fuera pequea. Como ejemplo extremo,
entonces la
muestra de una tienda indicara al fabricante la cantidad de ventas en cada una
de las tiendas de la poblacin, ya que si
entonces todas las tiendas de la
poblacin compraran la misma cantidad. Por otra parte, si
es muy grande, una
muestra pequea proporcionara muy poca informacin, ya que se pueden obtener
observaciones de los extremos de la distribucin de la poblacin.
Ahora hay que calcular
la raz cuadrada del cambio en la varianza de la
distribucin de probabilidad a priori. El fabricante ha estimado que
la desviacin estndar de esta poblacin, es 10. Primero se considerar una muestra con
tamao = 25. La desviacin estndar de las medias mustrales,

236

Parte II Anlisis de decisiones

Figura 8-7

Funcin de prdida condicional

la media

y;

Hay que calcular

donde
es la varianza a priori, y su valor en el ejemplo es 36;
de las medias de la muestra. Los clculos son:

es la varianza

La estimacin de
Recuerde que esta estimacin se hace antes de
tomar la muestra. Con una muestra de tamao 25, el valor esperado de la
informacin de la muestra se calcula como sigue:

Captulo 8 Modificacin de probabilidades normales por muestreo

Tabla 8-1

Tamao de
la muestra

237

Clculo del tamao ptimo de la muestra


VEIM

Varianza
de las medias
de la muestra

20
25
35
40
45

GNE

Costo de
la muestra
5.00
4.00
2.85
2.50
2.22

5.62
5.69
5.75
5.77
5.80

0.356
0.351
0.346
0.345
0.344

0.246
0.248
0.250
0.251
0.251

$69 126
70 556
72 125
72 739
73 099

$2 000
2 500
3 500
4 000
4 500

(VEIM
costo de
la muestra)
$67 126
68 056
68 625
68 739
68 599

Como se puede ver en el clculo anterior, el VEIM con n = 25 es bastante


grande. Si el costo del muestreo de cada tienda fuera de 100 dlares, el costo
de la muestra es de 2500 dlares. La ganancia neta esperada (GNE) del muestreo de 25 unidades es el VEIM menos el costo del muestreo. Entonces:
GNE25 = VEIM - costo del muestreo
= 70 556 - 2500 = $68 056
Como la GNE es positiva, es deseable tomar una muestra de 25. Sin embargo,
podemos aumentar la GNE ajusfando el tamao de la muestra. Por medio de
procedimientos iterativos (tanteo) se puede aproximar el valor de n ptimo,
realizando clculos a ambos lados de n = 25 y aproximando al mejor valor de n
hasta maximizar la GNE. Al aumentar n, tambin aumentar el VEIM, pero el
costo de la muestra ser mayor. Por esto, hay que encontrar el equilibrio adecuado
entre el valor de la informacin adicional y el aumento en costo que ocasiona el
aumento en el tamao de la muestra, n.
La tabla 8-1 presenta el clculo de la GNE del muestreo para varios tamaos
de muestras, entre 35 y 45. La GNE crece hasta que el tamao de la muestra llega
aproximadamente a 40 y luego comienza a decrecer. Por lo tanto, se supone que
el tamao ptimo de la muestra est entre 35 y 45. El cambio en la GNE es muy
pequeo, incluso si se duplica el tamao de la muestra. En este ejemplo, la GNE
no es muy sensible a cambios en el tamao de la muestra en el intervalo 20 a 45.
RESUMEN

El tamao ptimo de una muestra es el que produce la mayor ganancia neta


esperada (GNE), es decir, la mayor diferencia entre el VEIM y el costo de la
muestra.

Parte II Anlisis de decisiones

238

Conclusin
Este captulo y el anterior han contemplado la toma de decisiones con probabilidades normales y funciones de prdida lineales. Estas hiptesis de normalidad
y linealidad implican que se ha considerado un caso especial, pero en realidad son
muchas las aplicaciones. Se han desarrollado otros mtodos para distribuciones
y funciones de prdida diferentes; sin embargo, estos mtodos quedan fuera del
alcance de este libro. El caso de la distribucin normal y la funcin de prdida
lineal ilustran correctamente los conceptos que forman parte de la toma de
decisiones en condiciones de incertidumbre.

Bibliografa
Jones, J. M., Introduction to Decisin Theory, Homewood, 111., Richard D. Irwin, 1977.
Pratt, J. W., H. Raiffa y R. Schlaifer, Introduction to
Statistical Decisin Theory, Nueva York,
McGraw-Hill, 1965.
Raiffa, H. y R. Schlaifer, Applied Statistical Decisin Theory, Boston, Divisin of Research, Harvard Business School, 1961.

Schlaifer, R., Probability and Statistics for Business


Decisions, Nueva York, McGraw-Hill, 1959.
Spurr, W. A. y C. P. Bonini, Statistical Analysis for
Business Decisions, Homewood, 111., Richard D.
Irwin, 1973.
Winkler, R. L., Introduction to Bayesian Inference
and Decisin, Nueva York, Holt, Rinehart &
Winston, 1972.

Problemas con respuestas


8-1.

8-2.

8-3.

Sea una distribucin normal a priori con


y 0 = 2. Se toma una muestra de
tamao n = 36,
Calcule la media y la desviacin estndar de la
distribucin a posterior!. Un auditor cree que
el saldo pendiente promedio de las tarjetas de
crdito es superior a 10 dlares. Para ser ms
especfico, cree que se puede representar el
saldo promedio con una distribucin normal
con media de 12 y desviacin estndar de 2.
Se selecciona al azar una muestra de 25
cuentas y el saldo promedio de estas cuentas
es de nueve dlares. La desviacin estndar de
los saldos de la muestra es de cinco dlares.
Cul debe ser la distribucin a posteriori del
auditor? Qu probabilidad debe asignar a la
posibilidad de que el saldo promedio sea
menor de 10 dlares? Una empresa se haba
propuesto introducir un producto al mercado,
y distribuirlo a tra-

vs de 5000 mayoristas independientes. La


gerencia expres una opinin anterior acerca
de las ventas promedio por mayorista en funcin de una distribucin normal con media
cajas por mes y desviacin estndar
cajas por mes.
Se llev a cabo un lanzamiento experimental del nuevo producto y despus se solicit a
36 de los 5000 mayoristas que probaran el
producto. Se omitieron las ventas del mes en
el cual se introdujo el producto, pero se registraron con cuidado las del segundo mes. La
opinin era que las ventas repetidas (es decir,
las ventas del segundo mes) seran un buen
indicador de las ventas futuras.
El promedio de ventas por mayorista en la
muestra de 36 fue 3.6 cajas en el segundo mes,
con desviacin estndar de 2.4 cajas por mes.
a. Qu distribucin a posteriori, despus de
la muestra, debe asignar la gerencia

Captulo 8 Modificacin de probabilidades normales por muestreo

8-4.

al promedio de ventas por mes de cada mayorista?


b. Suponga que para introducir el producto a
todo el mercado se requieren 200 000 dlares para comprar equipo y para la publicidad. Debido a ciertos aspectos
financieros, la gerencia no quiere llevar a
cabo la introduccin del producto si los beneficios no recuperan el costo de 200 000
dlares en el primer ao. La empresa obtendr un dlar de beneficio por cada caja
que venda. Qu decisin se debe tomar
despus de la muestra? Cul es el VEIP a
posteriori?
Suponga una distribucin normal con 0 = 20
y 0 - 10 y que ap = 20. El costo de una
muestra de tamao es 10 + 2n, - 15 y C 100 dlares.
a. Calcule el VEIP antes de la muestra.
b. Calcule el VEIM para - 10, - 25 y
-50.
c. Cul es el tamao ptimo de muestra de
las tres opciones anteriores y cul es la
GNE?

8-5.

239

Remtase al problema 8-3. Suponga que la


empresa an no toma la muestra. Sin embargo,
con base en su juicio y en su experiencia, la
desviacin estndar de las ventas mensuales
por mayorista se estima en 2.5 cajas por mes.
a. Calcule el VEIM de una muestra de 36
mayoristas.
b. Suponga que cuesta 2500 dlares fabricar,
con procesos especiales, el producto que
se usar en la prueba de muestreo y otros
mil dlares en costos fijos. El costo varia
ble es de 100 dlares por mayorista de la
muestra. Deben realizar el muestreo?
Cul es la GNE?
c. Cul es la GNE de una muestra de 50 ma
yoristas?
d. Cul es la GNE de una muestra de 75 ma
yoristas?
e. Con base en (t), (c) y (d), cul es el tama
o ptimo aproximado de la muestra?

Problemas
8-6.

8-7.

8-8.

Sea una distribucin normal a priori con


Se toma una muestra de
tamao
Calcule la media y la desviacin estndar de la
distribucin a posteriori. Cul de las muestras
siguientes contiene ms informacin:
a. Una muestra de tamao 100 de una pobla
cin con desviacin estndar de 50.
b. Una muestra de tamao 64 de una pobla
cin con desviacin estndar de 40. Expli
que su respuesta.
El controlalor del taller ABC se quejaba de
que los vendedores de la compaa hacan pedidos que no eran rentables. La gerencia superior crea que un margen de beneficio
razonable era el 15% del monto total de la
factura. La queja del controlalor confundi a
la gerencia, ya que stos crean que estaban
cerca de su objetivo de 15%. Especficamente,
tenan una distribucin normal para el

8-9.

8-10.

"porcentaje de beneficios promedio" con una


media del 15% y desviacin estndar del 2%.
Se seleccion al azar una muestra de 50 trabajos; en la muestra, el beneficio promedio
era del 10% y la desviacin estndar era del
5%. Calcule la distribucin normal apropiada
a posteriori de la muestra. Remtase al
problema 7-16. Suponga ahora que el gerente
pudiera efectuar una muestra de 10
instalaciones donde se usa la mquina de
escribir inteligente. El costo del muestreo es
de 10 dlares por observacin (100 dlares
para la muestra de 10). Suponga que
- 400 horas.
a. Cul es el VEIM?
b. Cul es la GNE?
c. Qu debe hacer el gerente?
Remtase al problema 7-19. Suponga que an
tes de decidir qu catlogo se usar, se impri
men 100 catlogos en color y se envan a una
muestra de 100 clientes. El promedio de las

240

8-11.

8-12.

8-13.

Parte II Anlisis de decisiones


ventas a estos clientes fue de 7.40 dlares,
con desviacin estndar de cinco dlares. Con
base en esta informacin y las probabilidad a
priori del problema 7-19, qu decisin debe
tomarse? Cul es el VEIP a posteriori?
Remtase a los problemas 7-19 y 8-10. Suponga que no se ha llevado a cabo la muestra que
se mencion en el problema 8-10 y que la empresa de ventas por correo puede imprimir
unos cuantos catlogos a color y enviarlos a
una muestra de clientes. Entonces, las compras de estos clientes se podran medir y sera
posible obtener informacin acerca del efecto
del catlogo a color. Por la experiencia de la
empresa, se sabe que la desviacin estndar
aproximada de las compras de los clientes es
de cinco dlares. Suponga que el costo del
muestreo es de 500 dlares ms cinco dlares
por cada elemento de la muestra. Cul es el
tamao ptimo de la muestra? Para que el
problema sea ms sencillo, considere
nicamente los siguientes valores de : - 0
(no hay muestra), = 64, = 100 y - 225.
Remtase a los problemas 7-19, 8-10 y 8-11.
Considere slo una muestra de tamao =
100. La diferencia entre el VEIP a priori de la
muestra (problema 7-19) y el VEIP a
posteriori a la muestra (problema 8-10) es
igual al valor esperado de la informacin de la
muestra (VEIM del problema 8-11)? Deberan ser iguales? Explique su respuesta. La
Compaa Papelera Nacional (CPN) compra
madera a productores independientes. Sus
compradores tienen una distribucin a priori
de la produccin por hectrea de pino con
media = 100 000 metros de tabla y desviacin
estndar = 10 000 metros de tabla. Uno de los
proveedores ha argumentado que su madera
es mejor que el promedio; un estudio
independiente de 25 hectreas de su propiedad seleccionadas al azar indica un
promedio de produccin de 110 000 metros
de tabla con desviacin estndar de 5000 metros. El proveedor potencial vendera todo su
terreno a CPN por 1080 dlares la hectrea.
El precio normal que paga CPN es de 1000
dlares por hectrea, con lo que compra la
madera a un promedio de un centavo por me-

8-14.

8-15.

8-16.

tro de tabla. Deber comprar CPN el terreno


del proveedor a 1030 dlares la hectrea? La
compaa de manufactura ACM se propone
implantar un procedimiento de control de
inventarios ms elaborado para sus 10 000
artculos diferentes. La gerencia estima que el
porcentaje promedio de ahorro en costo con
los nuevos mtodos ser del 20%. Tambin
cree que una distribucin a priori normal con
media del 20% y desviacin estndar del 8%
describe de manera adecuada su opinin
acerca de los ahorros en costo que se
obtendrn realmente.
Los analistas de la compaa han estudiado
los ahorros en costo de una muestra aleatoria
de 100 artculos del inventario. El promedio
de ahorro en costo en la muestra fue del 15%,
con desviacin estndar de 12%.
a. Qu distribucin a posteriori debe asig
nar la gerencia al porcentaje promedio de
ahorro en costo despus de la muestra?
b. Suponga que el nuevo procedimiento cos
tar aproximadamente un 5% de los cos
tos anuales relacionados con el inventario.
Deber implantarse el nuevo procedi
miento?
c. Cul es el VEIP de la distribucin a priori?
d. Cul es el VEIP de la distribucin a pos
teriori?
Remtase al problema 8-14. Suponga ahora
que el costo para obtener el equilibrio es el
14%, en lugar del 5%.
a. Debe implantarse ahora el nuevo procedi
miento? Por qu?
b. Cul es el VEIP de la distribucin a prio
ri?
c. Cul es el VEIP de la distribucin a pos
teriori?
Considere el problema 7-18. Suponga que el
contratista puede hacer una estimacin detallada de los costos antes de presentar la oferta.
El costo de la estimacin detallada es de 18
000 dlares. Con base en la experiencia en
estas estimaciones detalladas, hay una probabilidad de % de que una estimacin est
dentro del 3% del costo real.
Debe realizar la estimacin detallada?
Cul es la GNE?
Recomendacin: Considere (0.03)(7.80) 0.234 como y luego calcule el VEIM.

Captulo 8 Modificacin de probabilidades normales por muestreo

241

Problemas ms difciles
8-17.

8-18.

8-19.

8-20.

Una compaa que fabrica herramientas especiales pretende introducir un producto nuevo.
La gerencia cree que cada uno de los mil centros de distribucin de la compaa podra
vender un promedio de 150 unidades; as
mismo, hay una probabilidad de Vi de que las
ventas promedio estn entre 100 y 200
unidades.
La herramienta nueva se vendera a cinco
dlares cada una. La mquina A tiene un costo
de alquiler de 100 000 dlares y un costo
unitario de produccin de dos dlares; la mquina se alquila por 200 000 dlares y su
costo unitario de produccin es de un dlar.
En un intento por estimar la demanda con
mayor precisin, el fabricante envi prototipos de la herramienta a 50 centros de distribucin. El promedio de las ventas en cada
centro fue de slo 90 unidades, con desviacin estndar de 60.
a. Antes de recopilar la informacin de la
muestra, cul era la mejor decisin que
poda tomar el fabricante? Cul era el
VEIP?
b. Cul es la distribucin a posteriori, des
pus de la muestra, de la demanda prome
dio por centro de distribucin? Cul es
la mejor accin? Cul es el VEIP
posterior?
c. Cul era el VEIM antes de llevar a cabo
la muestra?
Suponga que el costo total de tomar una
muestra de cualquier tamao es una cantidad
fija, K. Cul sera el tamao ptimo de la
muestra?
El VEIP del ejemplo de las pginas 229-230
es de 7076 dlares (antes del muestreo); el
VEIM es de 4918 dlares; pero, como se calcul en la pgina 227, el VEIP a posteriori para una muestra de tamao - 100 es 7000
dlares. Resuelva la paradoja aparente de este
caso.
El editor de una revista deseaba publicar una
edicin en pasta dura de una seleccin de fotografas de su revista. La edicin fotogrfica
se vendera principalmente por correo a las

personas cuyos nombres aparecan en el directorio de la revista. El directorio no slo inclua a los suscriptores, sino tambin a
personas consideradas como posibles suscriptores. La gerencia crea que se podan vender
gran cantidad de ejemplares, por la reputacin de la revista y las excelentes crticas que
haban recibido las secciones fotogrficas
cuando se publicaron por primera vez en la
revista. Es ms, muchas personas haban enviado cartas para proponer que se presentara
una edicin de este tipo.
Ya se haba invertido dinero en la edicin
cuando se prepararon las fotografas y el texto para la revista. Sin embargo, se estimaba
que e gastaran otros 10 000 dlares. Adems, se consideraba que el costo del diseo y
la impresin del material publicitario y del
envo por correo sera de 250 000 dlares. El
directorio de la revista inclua cerca de dos
millones de nombres (algunos de los cuales,
por supuesto, estaban duplicados). Se propuso hacer dos envos, con un costo por nombre
de cinco centavos por concepto de correo.
Tambin se invertiran unos 50 000 dlares
para el desarrollo del material publicitario.
El costo variable de manufactura del libro
sera de dos dlares por ejemplar. El precio
de venta se fijara en tres dlares.
La gerencia aun no decida acerca del proyecto editorial, por los altos costos iniciales.
Las mejores estimaciones giraban alrededor
de 250 000 ejemplares vendidos. La gerencia
opinaba que haba Vi de probabilidad de que
las ventas estuvieran entre 200 000 y 300 000
ejemplares.
La gerencia se opona a abandonar el proyecto, ya que la edicin podra tener un alto
valor en cuanto a prestigio. Por ello, se consider la posibilidad de realizar un estudio de
mercado antes de tomar la decisin final. Sera bastante sencillo seleccionar una muestra
de personas del directorio de la revista y evaluar la aceptacin de la edicin.
Los costos de correo y otros costos variables sumaban 25 centavos por individuo de la

242

8-21.

Parte II Anlisis de decisiones


muestra. Sin embargo, era necesario imprimir
material publicitario especial, a un costo de
13 000 dlares, sin importar el nmero de
personas de la muestra. Se consider adecuada una muestra de 2000 personas. Los
especialistas en estadstica de la compaa
estimaron que el error estndar de la muestra
de 2000 personas sera 10 000 libros (o sea,
- = 10 000).
a. Con base en la informacin anterior, cu
les son los beneficios esperados de la pu
blicacin de este libro? Si no toma en
cuenta beneficios adicionales, como el va
lor del prestigio, debe publicarse el li
bro? Cul es el valor esperado de la
informacin perfecta (VEIP)?
b. Cul es el valor esperado de la informa
cin de la muestra (VEIM)? Cul es la
ganancia neta esperada del muestreo
(VEIM costo del muestreo)? Debe lle
varse a cabo el muestreo?
c. Suponga que la inversin de 13 000 dla
res en material publicitario reducir el
costo estimado del desarrollo de 50 000 a
40 000 dlares, si se lleva a cabo el envo
completo (es decir, pueden recuperarse
10 000 de los 13 000 dlares si se publica
el libro). El punto de equilibrio es ahora
250 000 libros. Cul es el VEIM de este
caso? Cul es la ganancia neta del mues
treo? Recomendacin: Observe que si se
toma la muestra, cambia la funcin de be
neficios a posteriori y por lo tanto tambin
vara el punto de equilibrio a posteriori.
La Superintendencia de Trnsito de la Baha
de Massachusetts (STBM) ha sido autorizada
por la legislatura estatal para construir una
va de circulacin rpida entre la ruta 128 y el
centro de la ciudad de Boston, pasando por
Cambridge. La legislatura ha ofrecido subsidiar los costos de construccin y operacin
de la va, pero las leyes estatales exigen que
la va no incurra en prdidas (tomando en
cuenta el subsidio). La STBM ha calculado
que si 10 000 viajeros utilizaran la va cada
da hbil (viaje de ida y vuelta), lograran el
equilibrio, si hay subsidio. La variacin en el
valor actual de los ingresos es de 150 dlares
por cada viajero por encima o debajo del punto de equilibrio.

8-22.

Los funcionarios de la STBM estiman que


del total de 100 000 personas que viajan diariamente del rea en cuestin a la ciudad de
Boston, aproximadamente el 12% (12 000)
usara la nueva va; sin embargo, no estn
muy seguros de su estimacin del nmero de
viajeros, por lo que consideran que una distribucin a priori con 0 = 0.12 y 0 = 0.04 describe en forma adecuada lo que saben.
La STBM piensa tomar muestras de la poblacin de viajeros para obtener mejor informacin. Las muestras se toman en grupos de
100 y la desviacin estndar de las proporciones mustrales se han estimado como =
0.08 para cada grupo de 100; por ejemplo, si
se hacen 16 muestras de grupos de 100, la -;
apropiada sera - .8//7 = 0.08/4 = 0.02.
El costo de entrevistar a cada grupo de cien
viajeros es de 900 dlares.
a. Si no toma en cuenta la ley estatal contra
las prdidas y supone que hay que tomar
de inmediato una decisin (no puede efec
tuarse el muestreo), deber la STBM
construir la va? Cul es la prdida de
oportunidad esperada de la mejor accin?
b. Considere una muestra de 16 grupos (de
100 viajeros cada uno). Cul es el VEIM
antes de tomar la muestra?
c. Calcule la GNE para (b).
d. Considere ahora los siguientes tamaos de
muestras (todos se refieren a grupos de
100): 1, 9, 16. Calcule el VEIM y la GNE.
Cul de los tamaos anteriores es el pti
mo para la muestra?
e. Si se usa el tamao ptimo de la muestra,
se asegurar que de construirse la va,
no operar con prdidas? Comente acerca
del efecto de la ley estatal sobre este tipo
de decisin?
Remtase al problema 8-21. Suponga que las
entrevistas mustrales se realizan secuencialmente a grupos de 100 personas y que la
STBM puede detener las entrevistas en cualquier momento. Para ser ms especficos, suponga que se entrevist a los primeros cuatro
grupos y que el promedio de viajeros de los
cuatro grupos es el 20% (0.20). a. Cules
son los parmetros de la distribucin a
posteriori de la fraccin de viajeros?

Captulo 8 Modificacin de probabilidades normales por muestreo


b. Con base en la distribucin a posteriori,
cul es el VEIP?
c. Compare el VEIP actual (de b) con el
costo de entrevistar a los siguientes
100 viajeros. No efecte los clculos
del VEIM; puede "adivinar" si sera

243

econmico que la STBM cancelara las entrevistas siguientes y tomara en este momento la decisin?
d. Calcule ahora el VEIM del siguiente grupo de 100 viajeros. Es mayor o menor
que el costo del muestreo?

CAPTULO

9
Teora de juegos
En este captulo se desarrollar un modelo de decisin que se aplica principalmente a las relaciones entre dos entidades (individuos u organizaciones) independientes que compiten entre s. Este anlisis se deriva de la monumental obra de J.
von Neumann y O. Morgenstern, Theory of Games and Economic Behavior
(Teora de juegos y comportamiento econmico).1
Aunque la teora de juegos no se usa mucho en la industria, es conveniente
conocer el tema, pues presenta conceptos que pueden ser de utilidad para la toma
de decisiones. Hay que tomar muy en cuenta las hiptesis de cada uno de los
modelos de la teora de juegos, ya que con frecuencia limitarn la aplicacin del
modelo.

Juegos

En el contexto de este captulo, la palabra juegos es un trmino genrico que


incorpora situaciones de conflicto de un tipo particular. En estas situaciones, el
xito de una de las partes tiende a estar a expensas de las otras, por lo que tienen
una relacin de conflicto o competitiva. Sin embargo, desde el punto de vista de
todos los involucrados, es preferible aceptar uno de los muchos acuerdos posibles
que no lograr ningn acuerdo, por lo cual la cooperacin es de inters mutuo. Las
caractersticas esenciales de esta situacin las comparten muchos casos de conflicto social o de negocios, por lo cual los aspectos matemticos de los juegos son
de inters general.
En este captulo se presentar un juego de dos personas con suma cero y juegos
de dos personas con suma no constante. Las matemticas se complican con
rapidez como respuesta a pequeas modificaciones del problema, por lo que se
analizarn situaciones relativamente sencillas.

J. von Neuman y O. Morgenstem, Theory of Games and Economic Behavior, Princeton, Princeton University
Press, 1944.

244

Captulo 9 Teora de juegos

245

Juegos de dos personas con suma cero


En un juego de dos personas con suma cero, los intereses de los dos contrincantes
se oponen de tal manera que la suma de sus beneficios es cero para todos los
resultados del juego. Un ejemplo de un juego con suma cero sera el caso de dos
personas que apuestan monedas, en el cual cada persona tiene una funcin lineal
de la utilidad con respecto al dinero para un intervalo de prdidas y ganancias
factibles. La cantidad de dinero (utilidad) que gana uno es igual a la cantidad de
dinero (utilidad) que pierde el otro.
Una solucin importante que debe estudiarse es la solucin minimax, que
minimiza la mxima prdida posible (o maximiza la mnima ganancia posible).
Una de las caractersticas de los juegos de dos personas con suma cero es que
existe una solucin minimax nica. La mayor ventaja de la solucin minimax en
esta situacin es que es la mejor opcin del decisor si el otro participante ha
escogido una solucin minimax. A diferencia de lo que sucede en un juego contra
la naturaleza, donde la nica ventaja de la solucin minimax es una forma de
conservadurismo, es muy probable que el procedimiento minimax sea deseable
en un juego contra un oponente inteligente. Sin embargo, puede ser que no se
obtenga el mejor resultado si el oponente no utiliza una solucin minimax.
Utilizaremos una tabla de pagos (Tabla 9-1) para mostrar el beneficio del
participante cuyas estrategias se presentan en la columna de la izquierda. El
beneficio del oponente (cuyas estrategias o acciones se presentan en la fila
superior) no se indica, ya que son los valores negativos de los pagos que se
especifican.
En los mrgenes de la tabla se encuentran los mnimos de las filas y los
mximos de las columnas. La solucin minimax intenta maximizar un nivel de
seguridad para los jugadores (minimizar la mxima prdida posible o maximizar
la mnima ganancia posible).
Para cada una de las estrategias del jugador I se encuentra la ganancia mnima
que se obtendra de enfrentarse a la mejor estrategia del jugador I (los mnimos
de las filas) y para cada estrategia del jugador II se encuentra la ganancia mxima
del jugador I (que es tambin la prdida mxima del jugador II), la cual se presenta
como mximo de la columna. El jugador I escoger el mayor de los valores
mnimos de las filas (la estrategia I, en este caso) y el jugador II escoger el valor

Tabla 9-1

Ganancias del jugador I


Estrategia 1

Estrategia 2

Mnimo de
la fila

Estrategia 1

10

14

10

Estrategia 2

12

Mximo de la columna

10

14

246

Parte II Anlisis de decisiones

menor de los mximos de las columnas (la estrategia 1). Puesto que el mximo
iguala al minimax (los dos valen 10), hay un equilibrio y se dice que estos valores
son un par "de equilibrio". Si uno de los jugadores trata de salir del equilibrio sin
que el otro cambie de posicin, el que se mueve pasar a una posicin inferior.
Una estrategia pura (es decir, que cada uno de los jugadores elija slo una
estrategia) lleva a un juego estrictamente determinado en el cual el valor mximo
de los mnimos de las filas es igual al mnimo de los mximos de las columnas.2
Al valor 10 se le llama punto de silla.
Hay que observar que los mrgenes de la tabla 9-1 indican el beneficio mnimo
garantizado del jugador I o los costos mximos garantizados del jugador II. Puesto
que los valores de la tabla pueden ser expectativas, stas pueden ser valores
esperados.
Ejemplo:
Compaa
contra
sindicato

Dentro de poco tiempo vencer el contrato entre su compaa y el sindicato, por


lo cual hay que negociar uno nuevo, preferentemente antes de que concluya el
otro. Usted forma parte del grupo de gerentes que est a cargo de seleccionar a
los representantes de la compaa y determinar la estrategia que deben seguir
durante las negociaciones. Despus de considerar la experiencia en otros aos, el
grupo est de acuerdo en que las estrategias factibles para la compaa son:
Cj = Ataque sin miramientos; negociaciones agresivas
C2 = Mtodo lgico, de razonamiento C3 = Estrategia
legalista C4 = Estrategia conciliatoria
Cul es la mejor estrategia para la compaa? La respuesta depende de la
estrategia que elija el sindicato, la cual no se conoce. Pero se puede suponer, por
los antecedentes del sindicato, que puede usar uno de los siguientes procedimientos:
/i = Ataque sin miramientos; negociaciones agresivas
U2 = Mtodo lgico, de razonamiento /3 = Estrategia
legalista /4 = Estrategia conciliatoria
Ahora hay que considerar las consecuencias de cada una de las estrategias, condicionadas por el hecho de que el sindicato adopte una de sus estrategias posibles.
Con la ayuda de un mediador externo, se construye la tabla 9-2.

Este enunciado es vlido mientras las estrategias del decisor, cuyas ganancias positivas se describen en la matriz
de pagos, se indiquen en la columna de la matriz; de lo contrario se tendr que modificar la descripcin de un
juego estrictamente determinado por estrategias puras.

Captulo 9 Teora de juegos


Tabla 9-2

247

Ganancias condicionales del sindicato (costos para la compaa)


Estrategias
del sindicato

Estrategias de la compaa

Mnimos
de las filas

Mximos de las columnas

Si la compaa adopta la estrategia Cy y el sindicato escoge la estrategia t/,, el


contrato final supondr un aumento de 20 centavos por hora en los salarios y
prestaciones del trabajador promedio. Si el sindicato elige la estrategia Ui como
respuesta a C\, asegurar un aumento de 25 centavos por hora; la estrategia t/3 es
an mejor para el sindicato frente a la estrategia Cx de la compaa, ya que genera
un aumento de 40 centavos por hora. Si el sindicato usa /4 frente a Cu terminar
con una reduccin de 5 centavos por hora en los salarios. Las otras entradas de la
tabla tienen significado similar. La compaa y el sindicato deben decidir cul
ser la estrategia global antes de comenzar las negociaciones; no se puede escoger
una estrategia y luego cambiarla cuando se comprometa la otra parte. Suponga
que la funcin de utilidad del dinero que usa la compaa es aproximadamente
lineal, por lo cual estas cifras pueden servir como ndice de utilidad para la
compaa.3 El mediador informa que la direccin del sindicato tambin ha
considerado estrategias alternativas y los resultados que pueden obtener de cada
una. Tambin informa que el sindicato ha elaborado una tabla bastante parecida
a la tabla 9-2 y que posee informacin similar. Suponga que el sindicato tambin
tiene una funcin de utilidad lineal.
En estas condiciones, qu deben hacer los negociadores? La compaa preferira que el sindicato fuera conciliador (/4) como respuesta a su ataque agresivo
(C{), con el resultado de la reduccin de 5 centavos por hora en salarios. Pero si
la compaa usa Cu es muy posible que el sindicato elija un mtodo legalista (l/3)
y "golpee" a la compaa con un aumento de 40 centavos. Desde el punto de vista
de la compaa, la segunda mejor solucin sera que tanto la compaa como el
sindicato sean amables (C4, /4); pero, si la compaa escoge C4, el sindicato puede
seleccionar una estrategia agresiva (t/j) y obtener una aumento de 35 centavos en
los salarios.
El sindicato tiene los mismos problemas: Si adopta /3 con la esperanza de un
aumento de 40 centavos, la compaa puede seleccionar un mtodo de razona-

Por lo general, ste no ser el caso, a menos que los costos totales sean una parte relativamente sin importancia
de los costos totales de la compaa y las negociaciones no tengan mucha importancia emotiva o simblica. Es
probable que no sea as cuando la compaa y el sindicato sean grandes; en este caso hay que cambiar las posibles
modificaciones en salarios a trminos de utilidad.

248

Parte II Anlisis de decisiones

miento (C2) que slo genere dos centavos para el sindicato. Es obvio que el
sindicato nunca seguir la estrategia conciliadora (/4), ya que siempre ganara
ms con Uu sin importar la estrategia que use la compaa. Puede decirse que Ux
domina a la estrategia U4.
La estrategia minimax es una regla que pueden seguir los participantes en esta
situacin. La compaa podra adoptar la estrategia que minimice el mayor
aumento de salarios que tendra que otorgar, sin importar la accin del sindicato.
Si el sindicato sigue esta regla, escogera la estrategia que maximizara el aumento
mnimo de los salarios. En el ejemplo, la estrategia minimax para la compaa es
C3, con aumento de salarios mximo de 12 centavos; para el sindicato sera Uu
con aumento mnimo de 12 centavos. En la tabla 9-2, los 12 centavos son el
mximo de la columna C3 y el mnimo de la fila /1; por lo que es la solucin de
equilibrio para esta situacin. En trminos de la teora de juegos, 12 es el valor
del juego. Las estrategias puras (/,, C3) proporcionan el equilibrio de este caso,
ya que si la compaa usa C3, la mejor defensa del sindicato es U; si el sindicato
escoge Ux, C3 es la mejor defensa de la compaa.4

Estrategias mixtas
No todas las situaciones de conflicto tienen un equilibrio minimax que puede
lograrse con estrategias puras. Podemos modificar la tabla 9-2 a este caso con slo
cambiar una de las cantidades. Si la interseccin de C3 y /3 fuese ahora +19
centavos, en lugar de +10 centavos, +12 centavos ya no sera el mximo de la
columna, como se muestra en la tabla 9-3. Ahora C2 es la estrategia que minimiza
la prdida mxima de la compaa; el mximo del sindicato es an Ux. Sin
embargo, la interseccin de estas estrategias no es un punto de equilibrio, porque
+15 centavos no es el mximo de la columna y el mnimo de la fila. Si el sindicato
adoptara la estrategia {/,, la compaa preferira la estrategia C3, no C2. Pero, si
la compaa escoge la estrategia C3, al sindicato le gustara ms U3 que U1 Si el
sindicato selecciona /3, la estrategia ptima de la compaa ser C2, pero C2 es la
opcin contra la cual el sindicato usara Uu como se seal al principio. Se ha
cerrado el crculo. Las estrategias puras (Uu C2) ya no son un par de equilibrio;
no son las mejores contra la otra.
Reduzcamos la tabla 9-3 a las estrategias que se muestran en la tabla 9-4. Esto
se hace por medio de la eliminacin sucesiva de las estrategias dominadas. La
estrategia /4 del sindicato es dominada por Uu por lo cual U4 puede eliminarse.
La estrategia C, de la compaa es dominada por C2 o C3; por lo tanto, tambin C{
puede eliminarse. Con lo anterior, queda la estrategia U2 del sindicato, dominada
por Uu y las nicas estrategias que quedan para el sindicato son U, y U3. Al llegar
a este punto, la estrategia C2 domina a C4 y las nicas estrategias para la compaa
son C2 y C3.

Un juego con suma cero puede tener ms de un par de equilibrio; no obstante, todos los pares de equilibrio
tendrn el mismo valor y los jugadores sern indiferentes ante ellos.

249

Captulo 9 Teora de juegos

Tabla 9-3

Ganancias condicionales para el sindicato (costos para la compaa)


Estrategias
del sindicato

Estrategias de la compaa

Mnimos
de las filas

Mximos de las columnas

Tabla 9-4

Estrategias no dominadas
Estrategias
del sindicato

Compaa

Ahora el objetivo es obtener una mixtura de probabilidad de las estrategias (es


decir, una estrategia mixta) que mejore la posicin de las dos partes con respecto
a las estrategias puras disponibles. Supongamos que la compaa puede usar la
estrategia C2 la mitad del tiempo, al azar, y la estrategia C3 la otra mitad del tiempo,
tambin al azar. Entonces, si el sindicato usara la estrategia Ul el aumento
esperado de los salarios sera:

Si el sindicato usara U3, el aumento esperado sera:


Ambas opciones son preferibles para la compaa a los +15 centavos que indica
la regla minimax. Por supuesto, el sindicato tambin puede adoptar una estrategia
mixta. Una de las grandes aportaciones de Von Neumann fue la demostracin de
que todo juego de dos personas con suma cero tiene un valor de equilibrio nico,
cualquiera que sea el nmero de estrategias disponibles para los participantes. En
un caso especial, la solucin comprender estrategias puras, como ocurri al
principio; si no sucede as, se sabe que existe el equilibrio para algn par de
estrategias mixtas.

Solucin grfica
Un mtodo sencillo e instructivo para encontrar la solucin del caso de dos
personas y dos estrategias es el mtodo geomtrico propuesto por Luce y Raif-

250

Parte II Anlisis de decisiones

Figura 9-1

fa.5 Primero se obtiene la estrategia mixta ptima para la compaa. Considere la


figura 9-1, en la cual pueden evaluarse las estrategias mixtas posibles para
la compaa contra la estrategia U1 del sindicato. Los aumentos posibles se
muestran en los ejes verticales, mientras que la escala del eje horizontal est en
funcin de las estrategias mixtas de la compaa, desde el lmite de (1.0C2,0C3),
la estrategia pura C2, hasta el lmite (0C2, 1.0C3), la estrategia pura C3. Las
ganancias en los extremos son +15 y +12 centavos, como se indica en la tabla 9-4.
La estrategia mixta permite seleccionar cualquier punto de la lnea que una +15
centavos y +12 centavos como pago en respuesta a la estrategia U{ del sindicato.
Por ejemplo, si quisiramos escoger +13.5 centavos como respuesta a U, seleccionaramos una estrategia mixta (0.5C2, 0.5C3). Si se escogiera la estrategia
mixta (0.7C2,0.3C3), el resultado sera +14.1 centavos. Cualquier punto de la recta
de la figura 9-1 es factible si el sindicato sigue la estrategia U,.
En la figura 9-2 se construye la lnea de resultados de las estrategias mixtas
para U3 y se le considera en conjunto con la lnea Ux que se desarroll en la figura
9-1. La nueva lnea indica las ganancias para el sindicato con la estrategia U3,
suponiendo que la compaa elige una estrategia mixta entre (1.0C2,0C3) y (0C2,
1.0C3). Por ejemplo, si la compaa adopta (0.5C2,0.5C3), el aumento es de 13.5
centavos si el sindicato adopta la estrategia Ux y de 10.5 centavos si escoge /3.
Desde el punto de vista de la compaa, el resultado mximo de esta estrategia es
13.5 centavos. Para las estrategias mixtas entre (1.0C2, 0C3) y (0.35C2, 0.65C3), el
sindicato obtiene el mayor aumento si sigue la estrategia Uy, en el caso de las
estrategias mixtas entre (O.35C2, 0.65C3) y (0C2, 1.0C3), el aumento mximo del

R. D. Luce y H. Raiffa, Games and Decisions, Nueva York, John Wiley & Sons, 1957.

Captulo 9 Teora de juegos

251

Figura 9-2

sindicato se relaciona con la estrategia t/3. Las lneas punteadas en la figura 9-2
indican el conjunto de aumentos mximos que la compaa tendra que otorgar,
suponiendo que el sindicato siempre adopte la estrategia ms favorable como
respuesta a una estrategia mixta de la compaa. Si la compaa siguiera la regla
de minimizacin del mximo aumento que ofrecera, adoptara la estrategia mixta
(0.35C2, 0.65C3) y dara al sindicato un aumento de .35(15) + 0.65(12) =
13.05 si el sindicato escogiera Uu o de 0.35(2) + 0.65(19) = 13.05 si la
opcin del sindicato fuera U3. Cualquiera que sea la accin del sindicato, no
puede obtener ms de 13.05 centavos de aumento salarial por hora (es decir, el
mejor aumento promedio es de 13.05 centavos).
Qu estrategia se espera que siga el sindicato? Segn la filosofa minimax, el
sindicato supondr que la compaa erigir la defensa ms slida posible contra
la estrategia que seleccione el sindicato. En la figura 9-3 se muestran las estrategias disponibles para el sindicato y el conjunto de aumentos mnimos que se
relacionan con ellas. Si la compaa adopta la estrategia C3, los aumentos que
obtiene el sindicato para las distintas estrategias mixtas se indican con la lnea
que une 12 centavos con 19 centavos. Esta lnea indicara el aumento mnimo para
las estrategias entre (1.0Uu 0/3) y (0.15 Uu 0.15t/3). La lnea que une 15 centavos
con 2 centavos define los aumentos que se obtendran como respuesta a varias
estrategias mixtas del sindicato si la compaa elige la estrategia C2. Esta estrategia ofrece el menor aumento de salarios para una accin del sindicato en el
intervalo (0.85 U1, O.15U3 ) a (0. Uu 1.0U3 ). Si el sindicato quiere maximizar
el aumento mnimo, adoptar la estrategia (0.85U1 , 0.15U3), con lo que obtiene
un aumento esperado de:
0.85(15) + 0.15(2) = 13.05

252

Parte II Anlisis de decisiones

Figura 9-3

si la compaa adopta la estrategia C2, y de:


0.85(12) + 0.15(19) = 13.05
si la compaa selecciona la estrategia C3. La cantidad de 13.05 centavos es un
punto de silla de este juego y representa la solucin de equilibrio.
Hay que recordar que en el ejemplo se supone que las medidas monetarias son
tambin medidas de la utilidad. La cifra 13.05 es la utilidad esperada del costo de
la compaa al seguir la estrategia mixta y tambin es la utilidad esperada del
aumento en salarios para el sindicato. Si no se toma en cuenta que 13.05 es una
medida de la utilidad esperada (y el valor monetario esperado), entonces se puede
caer en la trampa de creer que la estrategia mixta no es una estrategia minimax,
porque uno de los sucesos posibles es un aumento de 19 centavos con la estrategia
mixta pero el aumento mximo que se obtiene al seguir la estrategia C2 es de slo
15 centavos. Por ejemplo, la utilidad esperada del costo para la compaa de /3
es igual a:
0.35l/(2C) + 0.65/(19) = 0.35(2) + 0.65(19) = 13.05
La cifra de 13.05 es una medida de la utilidad esperada y, como tal, nos lleva a la
conclusin de que la estrategia mixta da como resultado el menor costo mximo
para la compaa y el mayor aumento mnimo para el sindicato (en funcin de la
utilidad esperada o, lo que es igual en este ejemplo, el valor monetario esperado).

Solucin algebraica
Se puede obtener una solucin algebraica, en vez de grfica, para determinar la
probabilidad que dar lugar a que la utilidad esperada, desde el punto de vista del

Captulo 9 Teora de juegos

253

sindicato, sea independiente de la estrategia de la compaa. As, no importa cul


sea la estrategia que use la compaa, la utilidad esperada de la estrategia del
sindicato ser la misma. Suponga que el sindicato usa un mecanismo aleatorio
que genera una probabilidad de para la estrategia Ux y de (1 - p) para U3.
Si la compaa usa la estrategia C2, la utilidad esperada para el sindicato es (la
Tabla 9-4 es la fuente de las cifras):
E(U\C2) = 0.15/J + 0.02(1 - p) Si la compaa
emplea la estrategia C3, la utilidad esperada del sindicato es:
E(U\C3) = 0.12/7 + 0.19(1 -p)
Iguale los dos beneficios esperados y resuelva para p:

Este valor esperado es mayor que los valores mnimos que se obtendran al
seguir una estrategia pura.
Al resolver el mismo problema desde el punto de vista de la compaa, sea
ahora la probabilidad de que la compaa escoja la estrategia C2. Los costos
esperados para las dos estrategias del sindicato son:

Con una p de 7/20 para la estrategia mixta de la compaa, el costo esperado


para la compaa es igual al valor esperado para el sindicato:

254

Parte II Anlisis de decisiones

Este costo esperado es independiente de la estrategia del sindicato.


El mtodo de solucin algebraica puede usarse para resolver estrategias mixtas
cuando hay ms de dos acciones posibles, mientras que la solucin grfica que se
mostr antes se limita a juegos en los que por lo menos uno de los jugadores slo
tiene dos opciones.
Solucin de programacin lineal
El problema de encontrar la estrategia mixta de equilibrio tambin se puede
formular como un problema de programacin lineal. Con esto se obtienen grandes
ventajas en lo que se refiere a clculos si el nmero de estrategias puras disponibles para los jugadores es muy grande, ya que existen programas de computacin
eficientes para la resolucin de problemas de programacin lineal.

Evaluacin de la estrategia minimax


El criterio de decisin minimax no es muy deseable cuando se toman decisiones
en situaciones de incertidumbre (juegos contra la naturaleza) (vase Cap. 5). Pero,
s es razonable en un juego de dos personas con suma constante en contra de un
oponente inteligente, ya que ofrece al participante la mxima seguridad. A usted
le asegura un resultado mnimo y uno mximo para su oponente, sin importar el
comportamiento del contrincante. Usted permanece indiferente ante la estrategia
que seleccione su oponente, pues est preparado para cualquier contingencia.
La estrategia minimax tiene un atractivo especial para los estudiantes becados
que se preparan para exmenes, los entrenadores de ftbol y la mayora de
funcionarios de crdito y banqueros. Pero, no es una buena estrategia para aquellas
personas que piensan que pueden superar al contrincante y estn dispuestas a
aceptar el riesgo de tomar la ofensiva en juegos con suma distinta de cero.
Algunos analistas critican la idea de usar una estrategia mixta para decisiones
empresariales "nicas". Por ejemplo, usted podra imaginar la reaccin de un
gerente experto si le recomienda adoptar una estrategia de ventas contra un competidor (cambios en precios, presupuesto para publicidad, etctera) en la cual la
decisin dependa del giro de una ruleta o de otra herramienta generadora de
nmeros aleatorios.
Aunque no hay respuestas directas a esta crtica, s hay aspectos importantes
de la teora de juegos que deben tomarse en cuenta. Recuerde que una de las
hiptesis de la teora de juegos indic la existencia de informacin perfecta para
ambos oponentes acerca de las estrategias y ganancias (o beneficios) del otro. En
esta situacin la estrategia mixta es una forma de ocultar sus intenciones. Pocas
veces existe esta informacin perfecta en el mundo real. Su oponente no sabe
cules son sus estrategias y resultados, por lo cual no es necesario ocultarlos. La
incertidumbre que existe sirve, de cierta manera, como proceso aleatorio.
En segundo lugar, si no hay una solucin de estrategia pura, el jugador es, en
cierta forma, explotable. Es decir, si usted adopta una estrategia pura, hay alguna

Captulo 9 Teora de juegos

Tabla 9-5

255

Tabla de resultados que presenta las ganancias de las dos empresas

estrategia que puede usar su oponente para explotarle o hacerle dao. A la estrategia mixta se le puede considerar como un medio de compromiso o de precaucin
contra la explotacin.

Juegos con suma distinta de cero


En la mayora de las situaciones de conflicto entre dos personas, la suma de los
beneficios de los participantes no ser una constante para todos los resultados del
juego. Algunas soluciones ofrecern mayor satisfaccin conjunta que otras. A
estos juegos se les denomina juegos con suma distinta de cero. En este captulo
(vase Problema 9-18) se presenta un ejemplo famoso de este tipo de problemas,
llamado el "dilema del prisionero".
Suponga que dos empresas se enfrentan a una decisin acerca de anunciarse o
no anunciarse. Ambas empresas slo tienen dos decisiones posibles: no anunciarse o anunciarse. La tabla 9-5 indica los resultados.
Los nmeros de la tabla se refieren a los beneficios de las dos empresas para
cada par de decisiones: la utilidad de la empresa I se muestra en la parte inferior
izquierda de los cuadros y la utilidad de la empresa II se muestra en la parte
superior derecha. Si la empresa I se anuncia y la empresa II no lo hace, la empresa I
tendr utilidad de 5 y la empresa II, utilidad de -15.
Cualquiera que sea la decisin de la empresa I, le ir mejor a la empresa II si
se anuncia. Es decir, si la empresa I no se anuncia, s lo har la empresa II, ya que
prefiere un resultado de cinco a un resultado de dos. Si la empresa I se anuncia,
tambin lo har la empresa II, pues prefiere un resultado de -10 a uno de -15. De
esta manera, la estrategia de anunciarse domina a la de no anunciarse en el caso
de la empresa II, por lo que sta elegir la decisin de anunciarse. Sucede
exactamente lo mismo con la empresa I, ya que la decisin que debe tomar es la
misma que la de la empresa II. Tanto la empresa I como la II estn dirigidas a
anunciarse por un proceso de decisin racional e incurrir en prdidas de -10 cada
una. Si no fueran tan "racionales", podran seguir la estrategia dominada de no
anunciarse y obtener resultados de +2 cada una.
Por supuesto, el anlisis anterior presupone que las dos partes no pueden
cooperar (es decir, comunicar sus intenciones), ya que esto cambiara la naturaleza

256

Parte II Anlisis de decisiones

del juego. Tambin supone que es un juego nico y que las partes no pueden tener
un proceso de aprendizaje. Es posible que las empresas I y II aprendan de la
desafortunada experiencia de su primer juego y cooperen en un juego posterior,
incluso si no hubiera comunicacin.
Este ejemplo ilustra un juego de dos personas con suma distinta de cero.
Aunque existe un tipo de solucin, porque la decisin de anunciarse domina a la
de no anunciarse, no es una solucin satisfactoria. Un par de jugadores no
racionales podran llegar a la solucin ms deseable en la cual ninguno se anuncia.
Los juegos con suma distinta de cero muchas veces no tienen soluciones satisfactorias tan fciles de determinar.

Resultados inciertos
En el ejemplo anterior los resultados eran cantidades seguras, pero es posible que
los resultados de un juego estn sujetos a distribuciones de probabilidad. Por
ejemplo, en vez de que la empresa II sepa que perdera 10 si las dos empresas se
anuncian, se podra decir que el resultado sera una prdida de 40 con probabilidad
de 0.5 o una ganancia de 20 con probabilidad de 0.5. El valor esperado es:
0.5(-40) + 0.5(20) = -10
Cuando los resultados se obtienen de procesos probabilsticos se requiere un
clculo adicional. Antes de analizar las decisiones posibles, el valor esperado de
cada par de decisiones se calcula y se introduce en la tabla. Hay que recordar que
se usan valores medios de utilidad y no valores monetarios esperados.

Oferta competitiva: Maldicin del ganador6


Imagine que tiene un frasco lleno de dinero (monedas) y que cada persona del
aula de clases puede ofrecer una cantidad de dinero por el privilegio de ser dueo
del frasco. El profesor Richard Thaler ha realizado varias veces este experimento
en Cornell University. En todos los casos la oferta ganadora ha sido mayor que el
valor de las monedas del frasco. ste es un ejemplo de la maldicin del ganador:
el ganador tiene una probabilidad elevada de perder dinero en una situacin de
ofertas competitivas en las cuales no se conoce con certeza el valor del artculo.
En la realidad, las empresas hacen ofertas para obtener el derecho de perforar
pozos petroleros y la empresa ms optimista es la que gana el concurso. La
empresas tambin hacen ofertas para apoderarse de otras empresas; una vez ms,
gana la que sea ms optimista.
El monto de la sobreoferta es una funcin del nmero de oferentes. Al aumentar
el nmero de participantes, ser mayor la tendencia del ganador a exceder el valor
6

Para conocer el anlisis terico, vse J. H. Kagel y D. Levin, "The Sinner's Curse and Public Information in
Common Valu Auctions", The American Economic Review, pgs. 894-920, diciembre de 1986.

Captulo 9 Teora de juegos

257

del bien que se subasta. Por esta razn, muchas compaas petroleras se unirn
para presentar ofertas conjuntas, en vez de que cada empresa compita por su
cuenta. As reducen en un 50 a 75% el nmero de ofertas.
Otra estrategia que se sigue es determinar un valor estimado y luego establecer
el monto inicial de las ofertas muy por debajo del valor esperado. Aunque la
probabilidad de ganar se reduce, s aumenta la probabilidad de estar satisfecho si
se gana (y se obtiene una ganancia neta). El objetivo debe ser obtener una ganancia
econmica, no ganar la subasta.
Algunas de las empresas que participan en negocios de compras y fusiones de
empresas no participan en situaciones de ofertas competitivas. Si una compaa
se interesa por vender sus acciones, esta empresa presentar lo que considera una
oferta justa slo si la compaa en venta est de acuerdo en aceptar o rechazar
la oferta antes de buscar una segunda. Naturalmente, la compaa que vende
quizs ya tenga informacin acerca de la poblacin de posibles compradores y
sus probables precios de oferta; sin embargo, deber decidir acerca de la oferta
sin buscar (o aceptar) otras ofertas. Si el comprador potencial sabe que otros
compradores ya han efectuado ofertas, deber reducir la cantidad que est dispuesta a ofrecer.
La maldicin del ganador se presenta en muchas situaciones. Por ejemplo, en
un mercado inmobiliario de mucho movimiento, si una casa ha estado en el
mercado por ms de un ao, habra que suponer que muchos compradores han
rechazado el precio que solicitan por la casa. Una forma de la maldicin del
ganador sera comprar la casa al precio solicitado, dado el gran nmero de
compradores que la han rechazado. Es posible que sea una casa nica y justo lo
que usted desea y que a los otros compradores no les gusten las caractersticas
exclusivas; tambin es posible que los compradores potenciales que la rechazaron
supieran lo que estaban haciendo.

Conclusiones
El lector debe considerar si en la realidad existen situaciones en las cuales
compiten dos o ms partes y las ganancias se aproximan a una suma cero (lo que
pierde uno es lo que gana el otro) o tienen suma distinta de cero. Son beneficiosos
para la sociedad los resultados de estos juegos?
Los ejemplos de "juegos" de la vida real van desde guerras (donde slo puede
ganar uno a expensas del otro y donde es muy probable que ambos pierdan) hasta
la industria de los automviles y los juegos colegiales de ftbol, donde la
escalacin en los gastos "para vender" muchas veces dan como resultado que
todas las partes se hallen en una situacin peor de la que estaran con estrategias
diferentes.
Es posible que en la realidad no puedan aplicarse las soluciones exactas a las
situaciones de juego, por lo cual no pueden aplicarse con precisin las teoras.
Por otra parte, la teora de juegos ayuda a aprender cmo enfrentar una situacin
de conflicto y comprenderla, adems de cmo mejorar el proceso de toma de
decisiones.

258

Parte II Anlisis de decisiones

RESUMEN

Todos los juegos de dos personas con suma cero tienen una solucin de equilibrio
minimax, la cual ser un par de estrategias puras o un par de estrategias mixtas.
Los juegos con suma distinta de cero pueden llegar a soluciones de equilibrio que
no son satisfactorias.
La maldicin del ganador propone que, cuando no hay certeza acerca del valor
de un artculo, es posible que la persona que presenta la oferta ms alta exceda el
valor del artculo, y que el monto de la sobreoferta es una funcin creciente del
nmero de personas que realizan ofertas.

Bibliografa
Davis, M. D., Game Theory, a Nontechnical Introduction, Nueva York, Basic Books, 1970.
Englebrecht-Wiggans, R., "Auctions and Bidding
Models: A Survey",Management Science, febrero
de 1980.
Englebrecht-Wiggans, R., P. R. Milgrom y R. J. Weber, "Competitive Bidding and Proprietary Information", Journal of Mathematical Economics
11, 1983.
Kagel, J. H. y D. Levin, "The Winner's Curse and
Public Information in Common Valu Auctions",
The American Econontic Review, diciembre de
1986.
Luce, R. D. y H. Raiffa, Games and Decisions,
Nueva York, John Wiley & Sons, 1957.
McDonald, J., The Game of Business, Garden City,
N.Y., Doubleday, 1975.
Owen, G., Game Theory, Filadelfia, W. B. Saunders, 1968.

Shubik, M, editor, Game Theory and Related Approaches to Social Behavior, Nueva York, John
Wiley & Sons, 1964.
Shubik, M., Game Theory in the Social Sciences:
Concepts and Solutions, Cambridge, Mass., MIT
Press, 1983.
Vickrey, W., "Counterspeculation, Auctions, and
Competitive Sealed Tenders", The Journal ofFinance, marzo de 1961.
Von Neumann, J. y O. Morgenstern, Theory of Games and Econontic Behavior, Princeton, Princeton University Press, 1944.
Williams, J. D., The Compleat Strategyst, edicin
modificada, Nueva York, McGraw-Hill, 1966.
Wilson, R. B., "Competitive Bidding with Disparate
Information", Management Science, marzo de
1969; y "Competitive Bidding with Asymmetrical Information", Management Science, julio de
1967.

Problemas con respuestas


9-1.

9-2.
9-3.

9-4.

Prepare la matriz de resultados de una apuesta


comn, centavo contra centavo, jugador 1
contra jugador 2. Qu hiptesis hay acerca
de los beneficios de los dos jugadores? En
este tipo de apuesta, es pura una estrategia
minimax?
Si un jugador sigue una estrategia pura en una
apuesta de uno por uno, cunto es lo mximo
que puede perder el jugador en una serie de
juegos?
Suponga que se tiene la siguiente matriz de
resultados para dos oponentes, A y B, en la

cual las cantidades son la utilidad que gana A


y pierde en cualquier interseccin de estrategias:

a. Qu estrategia seguira A?

Captulo 9 Teora de juegos

259

b. Qu estrategia seguira B?
c. Cul es el "valor" del juego?
d. Elabore un grfico de los pagos de estas
estrategias, desde el punto de vista del ju
gador A.
9-5. Suponga que la siguiente matriz de resultados
es adecuada para las estrategias de mercadotecnia de dos oponentes:
a. Qu estrategia seguira A? Por qu?
b. Qu estrategia seguira B? Por qu?
c. Qu resultado pronosticara para esta si
tuacin?

Problemas
9-6. En la siguiente matriz de resultados para A y
B, las cantidades son la utilidad que gana A
y pierde para cualquier interseccin de
estrategias:

a. Cul es la mayor ganancia mnima segu


ra que puede obtener A si sigue una estra
tegia pura?
b. Cul es la menor prdida mxima en
que puede incurrir si sigue una estrate
gia pura?
c. Cul es la estrategia mixta para A?
d. Elabore el grfico de las estrategias mix
tas para A y B.
e. Si A y usan estrategias mixtas, cul es
el valor del juego?
9-7. Qu tipo de situacin de conflicto es ms
probable: un juego con suma cero o un juego
con suma distinta de cero?
Dos empresas,/y g, tienen como resultados
los beneficios que se muestran en la siguiente
tabla, para dos estrategias alternativas de mercadotecnia.
a. Qu estrategia seguir/? Por qu?
b. Qu estrategia seguir g? Por qu?
c. Cul es la solucin del juego?

d. Identifique el par de equilibrio, si existe.

9-9.

Si el problema 9-8 se repitiera diariamente


durante das, donde es un nmero de gran
magnitud, cree usted que los jugadores seguiran una estrategia de equilibrio? Qu sugiere esto?
9-10. La compaa ABC y la compaa XYZ distribuyen automviles en el pas de Akro, a travs de una subsidiaria. Los beneficios
anuales de las subsidiarias son: ABC, 10 millones de dlares; XYZ, 20 millones. La
compaa ABC pretende establecer una
planta de manufactura en Akro. Un analista
ha proyectado beneficios de 38 millones de
dlares despus de que entre en operacin la
planta (esto supone que la compaa XYZ sigue con la distribucin de automviles, pero
no los fabrica en el pas). Un analista de la
compaa XYZ ha odo hablar de los planes
de ABC y su proyeccin es que, si ABC
construye la planta, los benefi-

260

Parte II Anlisis de decisiones


cios de XYZ descendern a cuatro millones
de dlares. Si XYZ construye una planta y
ABC no la construye, l prev que los beneficios sern de 38 millones de dlares y que los
beneficios de ABC bajarn a cuatro millones
de dlares.
Si las dos compaas construyeran plantas, se
espera que ambas ganen cinco millones de
dlares por ao. Qu deben hacer las compaas?

9-11.

Realice el siguiente experimento: Tome un


frasco con monedas y pida a dos personas
(por separado) que hagan una estimacin del
valor de las monedas. Luego haga la misma
pregunta a otras cuatro personas. Cmo se
compara la estimacin ms alta de la primera
muestra (rc = 2) con la de la segunda (n = 4)?
Su experimento apoya o contradice la maldicin del ganador?

Problemas ms difciles
9-12.

Dos fabricantes de computadores, A y B,


quieren vender sistemas de computacin a
dos bancos, 1 y 2. La compaa A tiene cuatro
vendedores y la compaa slo dispone de
tres. Las compaas de computacin deben
decidir cuntos vendedores asignar para
atender a cada banco. As, la compaa A puede asignar cuatro vendedores al banco 1 y
ninguno al banco 2, o tres al banco 1 y dos al
banco 2, etctera.
Cada banco comprar un sistema de computacin. La probabilidad de que el banco
compre a una compaa en particular se relaciona directamente con el nmero de vendedores de esa compaa que atienden al banco,
con respecto al nmero total de vendedores.
Por ejemplo, si la compaa A asignara tres
personas al banco 1 y la compaa asignara
dos, la probabilidad de que el banco 1 compre
el sistema de computacin de la compaa A
es de tres en cinco. Como caso especial, si no
acude ningn vendedor de ambas compaas,
la probabilidad de que compre el sistema de
computacin de una compaa o de la otra es
del 50%.
Puede considerarse que el resultado ser el
nmero medio de sistemas de computacin
que venda la compaa A. Entonces, el nmero esperado de ventas de la compaa es
dos menos este resultado.
Qu estrategia debe usar la compaa A
para asignar sus vendedores? Cul debe usar
la compaa B? Cul es el valor del juego
para la compaa A? Cul es el significado
del valor del juego en este problema?

9-13.

9-14.

9-15.

9-16.

9-17.

Remtase al problema 9-12. Suponga que el


banco 1 comprar dos sistemas de computacin y que el banco 2 slo comprar uno. En
este caso, cul es la estrategia ptima para la
compaa A? Cul para la compaa B?
Cul es el valor del juego? Remtase al
problema 9-12. Suponga que los bancos
comprarn el sistema de computacin a la
compaa que enve el mayor nmero de
vendedores. Si las dos compaas envan el
mismo nmero, la decisin se tomar lanzando una moneda legtima. En este caso, cul
es la estrategia ptima para la compaa A?
Para la compaa B? Cul es el valor del
juego?
Las empresas I y II compiten por hacer negocios. Lo que gana I es lo que pierde II. La
tabla de la siguiente pgina muestra los beneficios de la empresa I para distintas cuotas del
mercado (suponga que el juego tiene suma cero). Encuentre una solucin de equilibrio. Las
compaas A y estn en competencia
directa y cada una tiene cuatro alternativas de
campaas publicitarias; la tabla de la siguiente pgina muestra la ganancia para la
compaa A para cada par de campaas que
se elijan. Como es una situacin con suma cero, las ganancias para la compaa son el negativo de las ganancias de la compaa A.
Encuentre una solucin de equilibrio. En un
juego de dos persona con suma cero, Xj
representa el resultado para el jugador I,
donde i representa la estrategia del jugador I
y y representa la estrategia del jugador II. Suponga que cada jugador tiene tres estrategias,

261

Captulo 9 Teora de juegos

Utilidad de la empresa I (problema 9-15)


Sin
publicidad

Publicidad
media

Publicida
d

Mnimos
de las filas

Sin publicidad
Publicidad media
Publicidad cuantiosa
Mximos de las
columnas

Ganadas para la compaa A (problema 9-16)

9-18.

ninguna de las cuales est dominada. Si p representa la probabilidad de la estrategia mixta


ptima de que el jugador I use la estrategia i,
escriba tres ecuaciones que comprendan />,,
PiyPy
El nombre "dilema del prisionero" que se da
a una clase de problemas de la teora de juegos, proviene de la siguiente historia:
Dos prisioneros son arrestados por un crimen que cometieron juntos. Sin embargo,
las pruebas contra ellos no son muy slidas, por lo que el fiscal separa a los prisioneros y ofrece a cada uno un trato:
confiese y acceda a testificar en contra de
su socio y usted quedar libre. El prisione-

ro sabe que si rehsa a confesar y su socio


testifica contra l, recibir una sentencia
dura, ya que el juez interpretar el rechazo
a la confesin como una prueba de que es
un criminal incorregible. Si los dos prisioneros confiesan, ya no tendrn que testificar contra el otro y ambos recibirn
sentencias regulares. Si ninguno confiesa,
el fiscal podr condenarlos por cargos tcnicos y los dos recibirn sentencias leves.
Elabore la tabla de resultados de cada prisionero. Qu debe hacer cada uno, suponiendo que no pueden colaborar? Qu pasara si
pudieran colaborar?

PARTE

Programacin matemtica

CAPTULO

Introduccin a la
programacin lineal
Como se describi en los captulos anteriores de este libro, los gerentes construyen
modelos como instrumentos de ayuda para resolver problemas de decisin.
Un modelo de programacin lineal es un tipo especial de modelo matemtico en
el cual las relaciones entre variables son lineales y donde hay un solo objetivo o
medida del rendimiento. Una ventaja de este tipo de modelo es que existe una
tcnica matemtica, llamada programacin lineal, que puede determinar la
decisin ptima o mejor, incluso si existen miles de variables y relaciones. En
este captulo se considera la formulacin de modelos de programacin lineal; en
los captulos posteriores se tratan la resolucin de los problemas y la interpretacin de resultados.
En el modelo de programacin lineal hay un conjunto de variables de decisin,
, X2, XN- El modelo de programacin lineal est diseado para maximizar (o
minimizar) una funcin objetivo de la forma:

donde/es un objetivo econmico, como los beneficios, la produccin, los costos,


las semanas de trabajo o las toneladas de envo. Por lo general se prefiere tener
ms beneficios que menos beneficios, costos ms bajos que ms altos, etctera.
El gerente quiere seleccionar los valores para las variables de decisin que
permitan obtener mayores beneficios, menor costo, mayor produccin, etctera.
Todos los coeficientes Cu C2,. . ., CN son constantes y todas las X aparecen con
potencia uno (es decir, no hay cuadrados ni cubos, por ejemplo). Por lo tanto, la
funcin/es una funcin lineal.
En la mayora de los casos el gerente no puede determinar arbitrariamente los
valores para las variables de decisin, X. Ms bien, la eleccin est limitada por
un conjunto de relaciones o restricciones. Las restricciones que se aplican a X son
tambin lineales y son desigualdades lineales o igualdades lineales:
265

266

Parte III Programacin matemtica

Los coeficientes A son constantes, mientras que la constante Bx restringe a /,


(la funcin objetivo) como resultado de la restriccin de las variables de decisin Xu X2, .., XN (en vez de <, podra ser > o una igualdad). La solucin que
proporciona la programacin lineal es el conjunto de valores de las variables de
decisin con el cual se logra el mximo (o mnimo) deseado dentro de las
restricciones.
La programacin lineal no permite incertidumbre en las relaciones; no puede
haber probabilidades o variables aleatorias. Por lo tanto, el problema de maximizacin de la funcin objetivo sujeto a las restricciones es conceptualmente
sencillo. Si hay pocas variables, bastan el sentido comn y un poco de aritmtica
para resolver el problema, algo que se ha hecho durante siglos. Sin embargo, como
sucede con frecuencia, la intuicin no es muy til cuando el problema es ms
complejo; si el nmero de variables de decisin ya no es tres o cuatro, sino cientos
o miles, el problema desafa los procedimientos empricos. La programacin
lineal ha permitido manejar de manera ordenada problemas con gran nmero de
restricciones.
Esta tcnica tiene gran poder y generalidad. Puede aplicarse a diversos problemas de una organizacin empresarial moderna y puede manejarse de manera
rutinaria con ayuda de los computadores modernos. Es una de las tcnicas
cuantitativas que ha proporcionado a la gerencia gran fuerza para tratar problemas
para los cuales no haba solucin hace algunos aos.
Como ejemplo sencillo, considere el siguiente problema, que puede resolverse
con sentido comn o anlisis marginal. Suponga que el beneficio marginal del
producto A es cinco dlares por unidad, el beneficio del producto es dos dlares
por unidad y se puede vender toda la produccin de ambos productos; adems,
los dos productos se pueden fabricar con el mismo equipo. Podemos calcular cul
de los productos hay que fabricar una vez que se conoce la capacidad de las
instalaciones en funcin de A y (vase Tabla 10-1). El equipo puede producir
100 unidades de A o 600 unidades de por da.
En este sencillo ejemplo, el producto es evidentemente ms deseable que A,
ya que es mejor el beneficio de 1200 dlares diarios que el de 500 dlares.
Considere ahora un problema ms complicado, en el cual la planta es capaz de
producir 20 productos distintos en 15 departamentos y que cada producto requiere
distinto tiempo de produccin en cada departamento. Si an no le impresiona la
dificultad del problema, suponga que cada departamento contiene 10 procesos y
que cada producto requiere distinto tiempo de produccin en cada proceso. Cmo
se determina la combinacin de productos ptima? La mejor forma de resolver
un problema de este tipo es la programacin lineal. El trmino lineal es apropiado,
ya que se supone que todas las relaciones entre produccin y beneficio son
proporcionales o lineales; es decir, el mayor grado de cualquier variable es 1 y no
hay variables que se multipliquen por otra.
Hay varios mtodos para resolver problemas de programacin lineal. En el
captulo 11 se presentar una solucin grfica y en el captulo 12 se presentar
el mtodo simplex, un mtodo algebraico para obtener la solucin.

Captulo 10 Introduccin a la programacin lineal

267

Tabla 10-1
Producto
A

Beneficio Beneficios marginales


Capacidad
(unidades por da) por unidad totales por da
100
$5 2
$ 500 1
600
200

En algunos de los ejemplos que se mostrarn a continuacin las respuestas


sern evidentes; esto se debe a que los ejemplos se disearon para que fueran
sencillos. En otros ejemplos se tratarn problemas ms complejos y algunos de
los ejercicios son bastante complicados. El lector debe tener presente que se
pretende ilustrar una tcnica que puede aplicarse a problemas muy complejos,
pero que se aplica a situaciones sencillas para su mejor comprensin. En la
prctica, los clculos de los problemas complejos de programacin lineal se
realizaran en un computador. En la actualidad existen diversos programas de
computacin para la resolucin de problemas de programacin lineal, incluso para
microcomputadores.

Formulacin de problemas de programacin lineal


Antes de entrar en detalles acerca de cmo resolver problemas de programacin
lineal, es importante aprender cmo definir las variables y las ecuaciones, en
trminos generales, cmo presentar un problema empresarial en forma de maximizacin (o minimizacin) de una funcin lineal/sujeta a restricciones lineales.
Usaremos el trmino formulacin para representar la traduccin de un problema
real a un formato de ecuaciones matemticas. Con frecuencia la formulacin es
la parte ms difcil del anlisis de un problema empresarial.
Ahora estudiaremos diversos problemas, para ofrecer un poco de experiencia
con respecto a la formulacin y para mostrar una parte de la gran variedad de
problemas que se pueden analizar con la programacin lineal.

Ejemplo 1: Problema de mezcla de productos


Una empresa de manufactura fabrica dos productos, A y B, cada uno de los cuales
debe procesarse en dos mquinas diferentes. Una mquina tiene 24 horas de
capacidad disponibles y la otra slo tiene 16 horas. Cada unidad del producto A
requiere dos horas en cada mquina, mientras que una unidad del producto
necesita tres horas en la primera mquina y una hora en la segunda. Los beneficios
marginales son de seis dlares por unidad del producto A y siete dlares por unidad
del producto y la empresa puede vender todas las unidades que puede fabricar
de los dos productos.

268

Parte III Programacin matemtica

El objetivo de la empresa es maximizar los beneficios. El problema es determinar cuntas unidades de los productos A y deben producirse dentro de los
lmites de las capacidades disponibles de las mquinas.
Formulacin. Sea:
Xx = Nmero de unidades del producto A que se fabricarn
X2 = Nmero de unidades del producto que se fabricarn
= Beneficios adicionales totales para la empresa
La funcin objetivo es:
Maximizar: = 6XX + 7X2
Esta ecuacin establece que los beneficios totales de la empresa se forman con
los beneficios del producto A (seis dlares multiplicados por el nmero de
unidades vendidas) ms los beneficios del producto (siete dlares multiplicados
por el nmero de unidades vendidas).
La primer restriccin se refiere a la disponibilidad de tiempo en la primera
mquina. Esto se puede expresar como sigue:
2X, + 3X2 < 24

Cada unidad del producto A utiliza dos horas de esta mquina y cada unidad del
producto emplea tres horas. Por lo tanto, el total de horas utilizadas se expresa
con el primer miembro de la expresin anterior y debe ser igual o menor que el
total de horas disponibles de la primera mquina (24). Para la segunda mquina
hay una restriccin similar:
2X, + 1X2 < 16
As mismo, en toda formulacin de programacin lineal est implcita la
restriccin de que Xx y X2 no sean negativas. En trminos del problema, esto quiere
decir que la empresa slo puede producir cantidades positivas o cero.
La formulacin total es:
Maximizar: = 6X1 + 7X2
Sujeto a:

2X1 + 3X2 < 24


2X1 + 1X2 < 16

X1,X2 > 0
Este ejemplo es sencillo y no se requerira programacin lineal para resolverlo.
Sin embargo, los problemas que implican docenas de productos y varias restricciones no pueden resolverse en forma intuitiva; la programacin lineal ha demostrado su utilidad en estos casos.

269

Captulo 10 Introduccin a la programacin lineal

Tabla 10-2

Requerimientos de los almacenes

Ventas anuales
Ubicacin del almacn (miles de cajas)
Nueva York

50

Boston
Chicago
Los ngeles
Dallas
Total

10
60
30
20
170

Tabla 10-3

Costos de envo de 1000 cajas de jabn


A

De
Cincinnati
Denver
Atlanta

Nueva York
$120
210
150

Boston
$150
220
170

Chicago
$ 80
150
150

Los ngeles
$250
100
240

Dallas
$180
110
200

Ejemplo 2: Problema de transporte


Un fabricante de jabn y detergentes tiene tres plantas, localizadas en Cincinnati,
Denver y Atlanta. Los almacenes principales se encuentran en Nueva York,
Boston, Chicago, Los ngeles y Dallas. En la tabla 10-2 se proporcionan los
requerimientos de ventas del prximo ao para cada almacn.
En la compaa es necesario determinar cul de las fbricas debe abastecer a
cada almacn. La capacidad de las fbricas est limitada. Cincinnati tiene capacidad anual para 100 000 cajas; Denver para 60 000 y Atlanta para 50 000.
En la tabla 10-3 se muestra el costo de envo del jabn de las fbricas a los
almacenes. La compaa quiere determinar un programa de entregas que minimice
los costos totales de transporte de la compaa (representados con Q.
Formulacin. Sea:
Xn = Nmero de cajas enviadas de la primera fbrica (Cincinnati) al primer
almacn (Nueva York), en miles de cajas.
Anlogamente:
X12, X13, X14, X15,

= Nmero de cajas enviadas de la primera fbrica

(Cincinnati) al segundo, tercero, etc., almacn


(Boston, Chicago, etctera)

270

Parte III Programacin matemtica

= Nmero de cajas enviadas de la segunda fbrica


(Denver) al primero, segundo, etc., almacn.
= Nmero de cajas enviadas de la tercera fbrica
(Atlanta) al primero, segundo, etc., almacn.
El objetivo es, entonces:
Minimizar: C=

El costo total es la suma de los productos, para cada ruta de envo posible (de
la fbrica al almacn), del costo de envo de la tabla 10-3 multiplicado por el
nmero de millares de cajas que se envan.
Hay dos conjuntos de restricciones para este problema. El primero garantiza
que se cumplirn las necesidades del almacn, Entonces, para Nueva York:

Lo anterior estipula que la suma de las cajas que se envan a Nueva York de la
primera fbrica (Cincinnati), la segunda (Denver) y la tercera (Atlanta) debe ser
50 000 cajas, el requerimiento de ventas de Nueva York. Para los otros almacenes
se tiene:
Boston :
Chicago :
Los ngeles :
Dallas :
El segundo conjunto de restricciones garantiza que las fbricas no excedan sus
capacidades de produccin. De esta manera, para la fbrica de Cincinnati:

Esta expresin indica que la cantidad que se enva de la primera fbrica al


primer almacn, al segundo, al tercero, etc., no debe exceder la capacidad de
100 000 cajas de la fbrica.
En forma similar:
Denver:
Atlanta:
Por ltimo, todas las X deben ser mayores o iguales que cero.
La solucin de este problema de programacin lineal ofrecer el programa
ptimo de envos (es decir, el de menor costo) para la compaa. Es un ejemplo
de un tipo de especial de problema, conocido, de manera bastante natural, como
el problema de transporte. El captulo 13 se dedica a un procedimiento especial
para resolver este tipo de problemas.

271

Captulo 10 Introduccin a la programacin lineal


En resumen, la formulacin completa de este problema es:
Minimizar:

Sujeto a:
Restricciones de
requerimientos
de almacenes
Restricciones
de capacidad
de fbricas

Ejemplo 3: Problema de mezcla


Se obtienen distintos tipos de gasolina mezclando ciertas gasolinas que se obtienen directamente de las operaciones de refinera. En un proceso de refinamiento
real hay varias gasolinas para mezcla, varias gasolinas que son productos finales
(por ejemplo, distintos grados de gasolina para aviacin y para motores) y varias
caractersticas de importancia para la composicin qumica de los diversos grados
de gasolina (por ejemplo, octanaje, presin de vapor, contenido de azufre, contenido de goma). En este ejemplo simplificado se supondr que la refinera slo
tiene dos tipos de gasolina para mezcla, con las caractersticas que se presentan
en la tabla 10-4.
Estas gasolinas para mezcla pueden combinarse para obtener dos productos
finales: gasolina para aviacin y gasolina para motores. En la tabla 10-5 se
presentan las caractersticas que requieren estos productos finales.
Al mezclar las gasolinas, el octanaje y la presin de vapor de la mezcla que se
obtiene estn en proporcin directa con el volumen de cada una de las gasolinas
que se mezclan. Por ejemplo, si se mezclaran 1000 barriles de la gasolina 1 con
1000 barriles de la gasolina 2, la gasolina que se obtendra tendra octanaje 99:

y presin de vapor de 7:

La empresa desea maximizar los ingresos de la venta de la gasolina que se


obtiene como producto final.

272

Parte III Programacin matemtica

Tabla 10-4

Caractersticas de las gasolinas para mezcla

Mezclas disponibles

Octanaje
104
94

Gasolina pata mezcla, tipo 1


Gasolina para mezcla, tipo 2

Tabla 10-5

Presin
Cantidad
de vapor
disponible
5
30 000 barriles 9
70 000 barriles

Caractersticas de las gasolinas finales

Productos
finales
Gasolina para aviacin
Gasolina para motores

Octanaje
mnimo

Presin de
vapor mxima

102
%

6
8

Ventas
mximas
20 000 barriles
Cualquier cantidad

Precio de
venta (por
barril)
$45.10
32.40

Formulacin. Sea:
= Nmero de barriles de gasolina para la mezcla 1 utilizados
en gasolina para aviacin
X2 = Nmero de barriles de gasolina para la mezcla 2 utilizados
en gasolina para aviacin
X3 = Nmero de barriles de gasolina para la mezcla 1 utilizados
en gasolina para motores
X4 = Nmero de barriles de gasolina para la mezcla 2 utilizados
en gasolina para motores
La funcin objetivo es maximizar = Ingresos totales:
Maximizar:

Observe que X] + X2 es la cantidad total de gasolina para aviacin mezclada


(en barriles); como se vende a 45.10 dlares por barril, los ingresos por este
producto son 45.10(X, + X2). De manera anloga, los ingresos por la gasolina para
motor son de 32.40(X3 + X4) y la suma de estos trminos representa los ingresos
totales, P.
Hay varios tipos de restricciones que afectan la forma en que la refinera
mezclar su gasolina. La primera es el nivel de ventas o tamao de la demanda,
el hecho de que no pueden venderse ms de 20 000 barriles de gasolina para
aviacin (vase Tabla 10-5). Lo anterior puede expresarse as:

Captulo 10 Introduccin a la programacin lineal

273

Otro conjunto de restricciones se refiere a las cantidades disponibles de las


gasolinas para mezcla (vase Tabla 10-4). Entonces:
X1 + X3 < 30 000
Observe que X1 + X3 representa la cantidad total de gasolina para mezcla 1 (la
suma de la cantidad utilizada en gasolina para aviacin, X1, y la cantidad usada
en gasolina para motores, X}). La ecuacin anterior establece que la cantidad de
gasolina para mezcla 1 no debe exceder la cantidad disponible, 30 000 barriles.
Hay una restriccin similar para la gasolina para mezcla 2:
X2 + X4 < 70 000

Otro conjunto de restricciones tiene que ver con el octanaje de las gasolinas
finales. Recuerde que la cantidad total de la gasolina para aviacin es Xx + X2 y
su octanaje estar definido por las cantidades relativas de X, + X2, de acuerdo con
la siguiente frmula:

Las cifras 104 y 94 provienen de la tabla 10-4 y son los octanajes de las
gasolinas para mezcla 1 y 2, respectivamente. En la tabla 10-5 se observa que el
octanaje de la gasolina para aviacin debe ser por lo menos 102, por lo cual se
tiene la siguiente restriccin:

Al acomodar la expresin para convertirla en restriccin lineal, se tiene:

Anlogamente, para la gasolina para motores, se tiene:

274

Parte III Programacin matemtica

El ltimo conjunto de restricciones tiene que ver con los requisitos de presin
de vapor de las gasolinas finales. En el caso de la gasolina para aviacin, la
restriccin es:

y el requisito de presin de vapor de la gasolina para motores es:

En resumen, la formulacin total del modelo de programacin lineal es:


Maximizar:
Sujeto a:

Restriccin de la demanda
Restricciones de disponibilidad
de gasolina para mezclas
Restricciones de octanaje
Restricciones de presin de vapor

La mezcla de gasolina fue una de las primeras aplicaciones de la programacin


lineal en problemas empresariales. Nuestro ejemplo es, por supuesto, una simplificacin del problema real, pero comprende los elementos esenciales. El problema
que se formul se denomina problema de mezcla y este tipo de problemas se
presenta en varios contextos. Como muestra est la produccin de alimentos para
animales. Por ejemplo, una mezcla de alimentos para gallinas puede estar compuesta por distintos tipos de granos. El fabricante de alimentos quiere usar los
granos ms baratos; sin embargo, tiene la restriccin de que el alimento debe
satisfacer ciertos requisitos de nutricin (similares a las restricciones de presin
de vapor y octanaje en nuestro ejemplo de gasolinas). Es ms, tambin hay que
aadir algunas restricciones estticas, ya que las gallinas no comern las mezclas
slo con base en las restricciones de nutricin.
Los tres ejemplos que se han presentado hasta ahora han tenido que ver con
problemas en un solo periodo, y con frecuencia se les conoce como problemas

Captulo 10 Introduccin a la programacin lineal

275

estticos. La programacin lineal tambin se ha aplicado a problemas dinmicos,


es decir, a aquellos que se extienden por varios periodos.1 Considere el siguiente
ejemplo.

Ejemplo 4: Problema de programacin de actividades


Una empresa tiene un programa estricto de compromisos de entrega de un
producto para los prximos seis meses. El costo de produccin vara por mes, por
los cambios anticipados en costos de materiales. La capacidad de produccin de
la compaa es de 100 unidades por mes con tiempo normal y hasta 15 unidades
adicionales por mes con tiempo extra.
La tabla 10-6 muestra los requerimientos de entrega y los costos de produccin
por mes.
El costo de almacenar en inventario una unidad que no se vende es de dos
dlares por mes. El problema de la compaa es determinar el nmero de unidades
que debe producir cada mes en tiempo normal y tiempo extra para cubrir los
requerimientos con el menor costo. La empresa no tiene unidades disponibles al
iniciar el mes 1 y no quiere que sobren unidades al terminar el mes 6.
Formulacin. Sea:
= Nmero de unidades producidas en
tiempo normal cada mes
= Nmero de unidades producidas en
tiempo extra cada mes
= Nmero de unidades en almacn
(no vendidas) al final de cada mes
El objetivo es entonces:
Minimizar: C =

La primera parte de esta expresin es el costo de la produccin en tiempo


normal (de la Tabla 10-6) multiplicado por las cantidades producidas en tiempo
normal cada mes. La segunda parte representa el costo de produccin en tiempo
extra multiplicado por las cantidades que se producen en tiempo extra cada mes.
La tercera parte es el costo de almacenamiento de las unidades que no se vendan,
multiplicado por el nmero de unidades no vendidas cada mes.

La programacin dinmica tambin trata los problemas dinmicos (vase Cap. 22). En ocasiones es posible
formular una situacin como un problema de programacin lineal y de programacin dinmica. Vase los
ejercicios al final del captulo 22.

276

Tabla 10-6

Parte III Programacin matemtica

Requerimientos y costos
Mes

12

Compromisos de entrega (unidades) 95 85 110 1 1 5 90 105


Costo por unidad en tiempo normal $30 30 32 32 31 32
Costo por unidad en tiempo extra
$35
35
37
37
36
37

Las restricciones de la produccin en tiempo normal son:

Las restricciones de la produccin en tiempo extra son:

Por ltimo, se requiere un grupo de restricciones de enlace o de equilibrio para


unir los periodos y asegurar que se cumplan los compromisos de entrega. Estas
restricciones tienen la siguiente forma:
(Fuentes de las unidades) = (Usos de las unidades) o

Para el mes 1, esto es:

puesto que no hay inventario inicial. Al acomodar la ecuacin:

Para el mes 2:

277

Captulo 10 Introduccin a la programacin lineal

Para los otros meses:


Mes 3:
Mes 4:
Mes 5:
Mes 6:
Puesto que el inventario final debe ser cero, la ltima restriccin es:

En resumen, la formulacin es:


Minimizar:

Sujeto a:
Restricciones
de balance de
inventario

Restricciones
de produccin
en tiempo normal

Restricciones
de produccin
en tiempo extra

Ejemplo 5: Modelo integrado de planificacin corporativa


Este ejemplo tiene que ver con la formulacin de un modelo a gran escala o de
sistema, diseado principalmente para planificar las actividades integradas de un
empresa. El ejemplo, cuyo diagrama se muestra en la figura 10-1, est muy
simplificado e incluye slo dos especies de rboles, dos productos de tablas y
madera contrachapada y slo algunas de las restricciones tecnolgicas que com-

278

Parte III Programacin matemtica

Figura 10-1

Modelo simplificado de una empresa de productos de madera

prende la produccin de tablas y madera contrachapada (vase Tabla 10-7). La


funcin objetivo no se muestra en la tabla 10-7; se obtendra multiplicando
los precios de los productos terminados por el volumen de produccin de los
productos y restando los costos operativos (o de explotacin) variables de todo el
sistema.

El arte de formular modelos de programacin lineal


La formulacin de un modelo cuantitativo significa seleccionar los elementos
importantes del problema y definir cmo se relacionan. No es una tarea fcil en
el caso de problemas reales y comprende pruebas por tanteo y el juicio comn.
De hecho, es ms un arte que un procedimiento sistemtico. Sin embargo, hay
algunos pasos que han demostrado ser tiles para formular modelos de programacin lineal. Estos pasos son:

279

280

Parte III Programacin matemtica


1. Defina en trminos verbales el objetivo que trata de alcanzar con la
resolucin del problema. Seleccione slo un objetivo, como "reducir los
costos" o "aumentar la contribucin a los beneficios".
2. Elabore una lista de las decisiones que deben tomarse, de la
manera ms especfica posible.
3. Elabore una lista de los factores de restriccin que afectan estas
decisiones.
Trate de ser preciso y completo. A continuacin se presenta una lista con
varios tipos generales de restricciones. Vea si su problema presenta
alguna de estas condiciones. Observe que tambin pueden existir otros
tipos de restricciones. Por lo general un problema no presentar todos los
tipos de restricciones.

Restricciones de la capacidad. Son lmites que se deben a la


cantidad de equipo, de espacio o de mano de obra disponible.
Una muestra sera la restriccin que se refiere al tiempo disponible
en la mquina del ejemplo 1.
Restricciones de mercado. Son lmites (inferiores, superiores o ambos)
de la cantidad de producto que puede venderse o usarse. Vase el
lmite de las ventas de gasolina para aviacin en el ejemplo 3.
Restricciones de disponibilidad. Son lmites ocasionados por la
escasez de materias primas, de fuerza de trabajo, de financiamiento o
de otros recursos.
Vanse las restricciones que se refieren a la disponibilidad de
gasolina para mezcla en el ejemplo 3.
Restricciones de calidad o de mezcla. Son restricciones que limitan la
mezcla de ingredientes y que por lo general definen la calidad de
los productos resultantes. Vanse las restricciones del octanaje y la
presin de vapor del ejemplo 3.
Restricciones de tecnologa de produccin o de equilibrio de
materiales. Son restricciones que definen la salida de un proceso
como una funcin de las entradas, muchas veces con una prdida por
desperdicios. Vanse las restricciones del ejemplo 5 que relacionan
la produccin de las hojas de madera contrachapada y las entradas
de madera de pino y abeto que se usan.
Restricciones de definicin. Son restricciones que definen a una
variable. Muchas veces estas restricciones provienen de definiciones
contables. Vase la restriccin del inventario del ejemplo 4.

4. Defina especficamente las variables de decisin. Con frecuencia es


el paso ms difcil. Lo que se requiere es una lista de variables, es
decir, las X y sus definiciones, incluyendo la especificacin de las
unidades de medida. En algunos problemas puede haber ms de una
forma de definir las variables. Un enfoque es comenzar tratando de
definir variables especficas que se ajusten a la lista
de decisiones del paso 2. Por ejemplo, si va a decidir "cul ser la
mezcla de productos", entonces un conjunto viable de variables de
decisin podra ser:
X1 para las unidades del primer producto
X2 para las unidades del segundo producto

Captulo 10 Introduccin a la programacin lineal

281

Y as para todos los productos. Observe que al especificar los valores para todas
las X, define de hecho la mezcla de productos.
Otro mtodo que en ocasiones sirve para definir las variables de decisin es
dibujar un diagrama de flujo que muestre cmo se relacionan las diversas partes del
problema; la figura 10-1 es un ejemplo de este mtodo. Despus se definen las
variables que representen el flujo de los bienes, de los materiales, etc., entre las diversas partes. Observe que las variables de la tabla 10-7 estn asociadas con las
flechas de la figura 10-1. Por ejemplo, una flecha muestra el flujo de los troncos
al aserradero de madera contrachapada, y las variable Xg (MPT de abeto al aserradero
de madera contrachapada) y Xi0 (MPT de pino al aserradero de madera contrachapada) son las variables de decisin que corresponden a este flujo de madera.
5. Defina especficamente las restricciones, con base en las variables de deci
sin. Tome la lista de restricciones que defini en el paso 3 y use las variables de
decisin del paso 4 para obtener restricciones detalladas. El resultado es un
conjunto de restricciones como las que se ilustraron en los cinco ejemplos del
captulo.
6. Defina con detalle la funcin objetivo. Hay que definir un coeficiente de costo
o de beneficio para cada variable de decisin del paso 4. Es importante incluir
slo los costos o los beneficios que varen con las decisiones que se consideran.
Siempre hay que excluir los costos fijos.
Por ejemplo, el costo de mano de obra por unidad puede parecer razonable para
incluirse en la formulacin de programacin lineal que define la mezcla de
productos que debe producir una empresa. Sin embargo, si la empresa tiene una
poltica de pagar a sus empleados por tiempo completo, sin importar el tiempo
real que se utilice, entonces el costo de mano de obra es fijo. No vara con la
decisin de mezcla de productos y debe excluirse de la funcin objetivo.
Aunque estos seis pasos son un esquema general para formular modelos
lineales, no son un sustituto de la prctica y la experiencia. Usted debe probar
varios de los ejercicios al final del captulo para aumentar su habilidad para
formular modelos.

RESUMEN

En un modelo de programacin lineal hay una funcin objetivo lineal que debe
maximizarse o minimizarse, sujeta a un conjunto de restricciones lineales. Todas
las variables de decisin son no negativas. La formulacin de un modelo de
programacin lineal consiste en traducir un problema de decisin empresarial a
terminologa de programacin lineal, definiendo variables, especificando una
funcin objetivo y escribiendo todas las restricciones como desigualdades o
igualdades. Los ejemplos y pasos que se proporcionaron antes estn diseados
para ayudarle a formular problemas de programacin lineal.

Limitaciones de la programacin lineal


Aunque la programacin lineal ha probado ser una herramienta valiosa para la
resolucin de problemas grandes y complejos de las empresas y del sector pblico,
existen limitaciones.

Parte III Programacin matemtica

282

En primer lugar, no hay ninguna garanta de que la programacin lineal ofrezca


soluciones con valores enteros. Por ejemplo, una solucin puede requerir 8.241
camiones y el gerente slo puede comprar 8 o 9, pero no 8.241. En muchos casos
el redondeo brindar soluciones razonablemente buenas, pero en otros casos los
resultados pueden ser malos. Por ejemplo, en una decisin acerca de abrir una
planta nueva (una variable que slo puede asumir valores de 0 y 1), una respuesta
fraccionaria no servira de nada. Por fortuna, existen algunos mtodos llamados
tcnicas de programacin entera que pueden manejar este tipo de problemas. En
el captulo 14 se analizan algunas de estas tcnicas.
Otra limitacin importante de la programacin lineal es que no se permite la
incertidumbre. El modelo supone valores conocidos para los costos, para las
restricciones de requerimiento, etc., cuando en realidad estos factores pueden ser
desconocidos. Aqu tambin hay algunos mtodos para tratar este problema, con
tcnicas conocidas como programacin lineal en condiciones de incertidumbre o
programacin restringida por probabilidades. Algunas de las referencias avanzadas que se presentan en la bibliografa del captulo tratan estos temas.
La tercera limitacin es la suposicin de la linealidad. En ocasiones el objetivo
o las restricciones de los problemas empresariales reales no se relacionan linealmente con las variables. Una vez ms, hay una tcnica avanzada, denominada
programacin no lineal, que sirve para tratar los problemas de este tipo.
Estas limitaciones indican que la programacin lineal no puede aplicarse a
todos los problemas empresariales. Sin embargo, ha demostrado ser una herramienta poderosa y til en aquellos problemas para los cuales es aplicable.
RESUMEN

La programacin lineal no es til para problemas que requieren soluciones


enteras, que implican incertidumbre o que tienen restricciones o una funcin
objetivo no lineal, pero s es aplicable a una amplia gama de decisiones empresariales.

Bibliografa
Baumol, W. J., Economic Theory and Operations
Analysis, cuarta edicin, Englewood Cliffs, N.
J,, Prentice Hall, 1977. Bradley, S. P., A. C. Hax
y T. L. Magnanti, Applied
Mathematical Prograinming, Reading, Mass.,
Addison-Wesley Publishing, 1977. Chames, A.
y W. W. Cooper, Management Models
and Industrial Applications of Linear Programming, dos vols., Nueva York, John Wiley &
Sons, 1963. Dantzig, G. B., Linear
Prograinming and Extensions, Princeton, N. J., Princeton University
Press, 1963.

Eppen, G. D., F. J. Gould y C. Schmidt, Quantitative Concepts for Management, tercera edicin,
Englewood Cliffs, N. J., Prentice Hall, 1988.
Geoffrion, Arthur M., "Better Distribution Planning with Computer Models", Harvard Business
Review, julio-agosto de 1976.
Hillier, F. y G. J. Lieberman, Introduction to Operations Research, quinta edicin, Nueva York,
McGraw-Hill, 1990.
Savage, Sam L., What's Best, Oakland, Calif., Holden-Day, 1986.
Schrage, L., Linear, Integer and Quadratic Prograinming with LINDO, cuarta edicin, South
San Francisco, Calif., Scientific Press, 1989.

283

Captulo 10 Introduccin a la programacin lineal


Shapiro, R. O., Optimizationfor Planning and
Allocation: Text and Cases in Mathematical
Programming, Nueva York, John Wiley and
Sons, 1984.

Wagner, H., Principies of Operations Research, segunda edicin, Englewood Cliffs, N. J., Prentice
Hall, 1975.

Problemas con respuestas


10-1.

10-2.

Un empresa fabrica cuatro productos: A, B, C


y D. Cada unidad del producto A requiere dos
horas de fresado, una hora de montaje y 10
dlares de inventario en proceso. Cada unidad
del producto necesita una hora de fresado,
tres horas de montaje y un costo de cinco
dlares de proceso de inventariado. Una
unidad del producto C requiere 2Vi horas de
fresado, 2 Vi horas de montaje y dos dlares de
proceso de inventariado. Por ltimo, cada
unidad del producto D requiere cinco horas de
fresado, no necesita montaje y cuesta 12
dlares de proceso de inventariado.
La empresa tiene 120 horas de fresado y
160 horas de montaje disponibles. Adems, no
puede disponer de ms de mil dlares para
proceso de inventario.
Cada unidad del producto A genera un beneficio de 40 dlares; una unidad del producto
genera un beneficio de 24 dlares; las
unidades del producto C generan 36 dlares y
las del producto D, 23 dlares. No se pueden
vender ms de 20 unidades del producto A, ni
ms de 16 unidades del producto C; puede
venderse cualquier nmero de unidades de los
productos y D. Sin embargo, hay que
producir y vender por lo menos 10 unidades
del producto D para satisfacer un requisito
contractual.
Formule el problema anterior como un problema de programacin lineal. El objetivo de
la empresa es maximizar los beneficios que
resultan de la venta de los cuatro productos.
No intente resolver el problema. La compaa
de prstamos U-Save planifica sus
operaciones para el ao entrante. Ofrece cinco
tipos de prstamos, descritos a continuacin,
junto con el rendimiento anual (porcentaje)
para la compaa.
Los requisitos legales y la poltica de la
compaa imponen los siguiente lmites a las

cantidades que pueden entregarse en los distintos tipos de prstamos.


Rendimiento anual
Tipo de prstamo

(porcentaje)

Prstamos personales

15

Prstamos para muebles


Prestamos para automviles
Segunda hipoteca de casa
Primera hipoteca de casa

12
9
10
7

Los prstamos personales no pueden exceder el 10% de la cantidad total de los prstamos. La cantidad de prstamos personales y
para muebles, en conjunto, no debe ser mayor
del 20%. Las primeras hipotecas deben
constituir por los menos el 40% de todas las
hipotecas y por lo menos el 20% del total de
prstamos. Las segundas hipotecas no pueden
exceder el 25% del total de prstamos.
La compaa desea maximizar los ingresos
de los intereses de los prstamos, sujetndose
a las restricciones anteriores. La empresa
puede prestar como mximo 1.5 millones de
dlares.
Formule este problema como uno de programacin lineal. No lo resuelva. Una
10-3. compaa vende dos productos diferentes, A y B.
La informacin del precio de venta y de los
costos unitarios es la siguiente:
Producto A
Precio de venta
Costo unitario
Beneficios unitarios

$60
30
$30

Producto
$40
10
$30

Parte III Programacin matemtica

284

Tabla 10-8
es

Pedidos (unidades) Costo por


unidad con tiempo regular
(miles de dlares) Costo por
unidad con tiempo extra
(miles de dlares)

Ene.

Feb.

Mar.

Abr.

Mayo

Jun.

58

36

34

69

72

43

$18.0

17.0

17.0

18.5

19.0

19.0

$20.0

19.0

19.0

21.0

22.0

22.0

Tabla 10-9

Mina
Planta 1
Planta 2
Planta 3

Capacidad
(m3 de tierra
procesada)*

Costos de
tratamiento
(rands por
m3)

Grado
(quilates
por m3)

83 000
310 000
190 000

R0.60
R0.36
R0.50

0.36
0.22
0.263

Recuento de
gemas (nmero
de piedras por m3)
0.58
0.26
0.21

*m3 es metros cbicos


t Observe que estas cifras no incluyen loe costos de extraccin. Suponga que son los mismos para cada mina.

10-4.

Los dos productos se fabrican en un proceso


de produccin comn y se venden a dos mercados distintos. El proceso de produccin tiene capacidad de 30 000 horas de trabajo. Se
requieren tres hor- s para producir una unidad
A y una hora para producir una unidad B. El
mercado se ha estudiado y los funcionarios de
la compaa consideran que el nmero mximo de unidades de A que pueden vender es
8000; el mximo de es 12 000 unidades.
Los productos se pueden vender en cualquier
combinacin, con las limitaciones anteriores.
Formule el problema anterior como un problema de programacin lineal; es decir, escriba las ecuaciones apropiadas. Mangus
Electric Products Co. (MEPCO) produce
grandes transformadores elctricos para la
industria elctrica. La compaa tiene pedidos
(Tabla 10-8) para los prximos seis meses. Se
espera que el costo de manufactura de un
transformador vare un poco en los prximos
meses, por cambios esperados en los costos de
los materiales y en las tarifas de

10-5.

trabajo. La compaa puede producir hasta 50


unidades al mes con tiempo normal y hasta 20
unidades adicionales si utiliza tiempo extra.
En la tabla 10-8 se muestran los costos del
tiempo normal y los del tiempo extra.
El costo de almacenamiento en inventarios
de los transformadores que no se vendan es
500 dlares por mes. Al 10 de enero, la compaa tiene 15 transformadores en existencias
y desea tener no menos de cinco en existencias para el 30 de junio.
Formule un problema de programacin lineal para determinar el programa de produccin ptimo para MEPCO. La compaa de
diamantes Transvaal extrae diamantes de tres
minas de Sudfrica. Las tres difieren en
cuanto a capacidad, nmero, peso de las
gemas y costos; estos datos se presentan en la
tabla 10-9.
Segn las consideraciones de mercadotecnia, se requiere una produccin mensual exacta de 148 000 gemas, mientras que otro
requisito exige por los menos 130 000 quila-

Captulo 10 Introduccin a la programacin lineal


tes (as, el tamao promedio de las gemas es,
por lo menos, de 130/148 = 0.88 quilates).
El problema para el gerente de la compaa
es cumplir con las exigencias de mercadotecnia al menor costo.

285

Formule un modelo de programacin lineal


para determinar cunto debe extraerse de cada mina. No resuelva el problema.

Problemas
Queremos seleccionar una estrategia de publicidad para llegar a dos tipos de clientes: amas
de casa de familias con ingresos anuales
superiores a 10 000 dlares y amas de casa de
familias con ingresos anuales inferiores a 10
000 dlares.2 Consideramos que las personas
del primer grupo comprarn dos veces ms
nuestro producto que las personas del segundo
grupo, y nuestro objetivo es maximi-zar las
compras. Podemos anunciar el producto en
televisin o en una revista; una unidad de
publicidad en televisin cuesta 20 000 dlares
y llega a aproximadamente 2000 personas del
primer grupo y a 8000 del segundo. Una
unidad de publicidad en la revista cuesta 12
000 dlares y llega a 6000 personas del primer
grupo y a 3000 del segundo.3 Hay que usar por
lo menos seis unidades de publicidad en
televisin y no podemos usar ms de 12
unidades de publicidad en la revista, por
cuestiones de poltica. El presupuesto para
publicidad es de 180 000 dlares.
Formule este problema como un problema
de programacin lineal, definiendo todas las
variables que utilice. En fechas recientes,
10-7. Super Sausage Com-pany (SSC) ha
experimentado cambios radicales en los
precios de las materias primas, y el gerente ha
dado instrucciones a un analista para que
examine las proporciones de

Este problema es una adaptacin de F. M. Bass y R. T.


Lonsdale, "An Exploration of Linear Programming in Media
Selection", Journal ofMarketing Research 3, 1966.
3
En este problema se supone que no se sobreponen el pblico
lector de la revista y el pblico espectador de la televisin.

mezcla de ingredientes que usa SSC para


fabricar salchichas.
La fabricacin de salchichas debe cumplir
con dos requisitos clave para el producto. El
porcentaje de protena en peso debe ser por lo
menos del 15% y el porcentaje de grasas en
peso no puede exceder el 30% (el peso restante
es de relleno). SSC dispone de las cuatro
materias primas siguientes para sus mezclas,
con las caractersticas que se indican:
Porcentaje Porcentaje
de
Ingredient protena de grasas

Costo por

40

10

kilogramo
$1.80

C
D

20
10
5

15
35
40

0.75
0.40
0.15

Formule un modelo de programacin lineal


que ayude a SSC a determinar el programa de
mezclas ms deseable. No resuelva el
problema.
10-8. Remtase al ejemplo 1 de este captulo. Suponga que la empresa tiene un tercer producto,
C, que puede producirse en la primera o en la
segunda mquina. Si se produce en la primera
mquina se requiere una hora; si se hace en la
segunda mquina, se necesitan dos horas. El
producto C tiene beneficios marginales de
nueve dlares por unidad.
Modifique la formulacin del ejemplo 1 para
incluir el producto C. El Consejo de Seguridad
10-9. de Estados Unidos debe asignar su presupuesto
para los prxi-

286

10-10.

Parte III Programacin matemtica


mos tres aos. Ya se han tornado decisiones
irrevocables con respecto a varias "reas
programadas" y a su financiamiento total;
por ejemplo, se ha asignado un total de 110
000 dlares a la prevencin de fallecimientos y a la reduccin en daos a propiedades por accidentes automovilsticos. Pero
hay que tomar decisiones detalladas acerca
de los proyectos especficos para alcanzar
los objetivos de los programas. En el caso
de la prevencin de fallecimientos y de la
reduccin en daos a propiedades, la tabla
10-10 contiene los proyectos que recomendaron los analistas del consejo, junto con los
datos apropiados. Los miembros del consejo
quieren que usted los ayude a tomar las
decisiones sobre la asignacin del presupuesto ( o sobre la eleccin y la magnitud de
los proyectos). Al preguntarles cul de los
objetivos especficos es ms importante,
dijeron: "Es una pregunta difcil! Por una
parte, la vida humana es sagrada y no puede
comprarse con ninguna cantidad de dinero.
Por otra parte, si hay dos maneras de ahorrar
el mismo nmero de vidas, obviamente
preferiramos el proyecto que d como
resultado la menor cantidad de daos a
propiedades".
Al preguntarles en forma especfica cul
sera la "compensacin" entre vidas salvadas
y daos a propiedades que les sera indiferente, su respuesta fue: "Esta pregunta es
an ms difcil! Sin embargo, somos conscientes de que un organismo de gobierno ha
establecido, para fines internos de asignacin
de recursos, un valor monetario implcito de
300 000 dlares por una vida humana que se
salve (creemos que otro organismo tambin
usa esta cifra para tomar decisiones acerca de
la incorporacin de caractersticas de
seguridad adicionales en su equipo)".
Formule un modelo de programacin lineal cuya solucin represente una asignacin
ptima del presupuesto de 110 000 dlares,
con base en la informacin anterior.
Asegrese de definir todas las variables que
utilice. No tiene que resolver el problema
formulado.
Delight Dairy Company (DD) produce una
amplia gama de productos lcteos. Los pro-

10-11.

ductos se han separado en dos categoras


principales, con el fin de planificar la produccin: helados (varios sabores y tamaos)
y especialidades (helado en palito,
emparedados de helado, conos de helado,
etctera). Cada clase de producto tiene su
propio equipo de empaquetado, pero ambas
usan una misma mquina de fabricacin de
helado; tambin emplean el mismo grupo de
trabajadores para producir y empaquetar
cada clase de producto.
Los helados requieren dos horas de la mquina de fabricacin de helados, una hora en
su propia lnea de empaquetado y tres horas
de trabajo para producir 4000 litros de
producto terminado.
Las especialidades requieren una hora de
la mquina de fabricacin de helado, una
hora en su propia lnea de empaquetado y
seis horas de trabajo para producir el equivalente de 4000 litros de producto terminado. DD puede vender 4000 litros de helado
en 300 dlares, y 4000 litros de especialidades en 500 dlares. Los costos de materias
primas son aproximadamente iguales para
ambas clases de productos.
En la actualidad, la compaa tiene un
turno de trabajo (40 horas por semana) y
emplea tres trabajadores de tiempo completo
y un empleado de 3/4 de tiempo, para un total
de 120 + 30 = 150 horas de trabajo a la
semana.
Formule un modelo de programacin lineal para la planificacin de la produccin
de Delight Dairy.
Empire Abrasive Company (EAC) produce
polvo de xido de aluminio que utiliza en
sus afiladoras y en sus abrasivos. Hay dos tipos de producto terminado: polvo fino y
polvo grueso. Existen adems dos tipos de
insumos, llamados crudo de Surinam y crudo chino (segn el pas de donde proviene la
bauxita de la cual se obtiene el crudo). Por
ltimo, hay dos modos de procesamiento,
llamados rpido y lento, que pueden
aplicarse a cualquiera de los materiales de
entrada para producir diversos porcentajes
de los productos terminados. La tabla 10-11
describe los porcentajes de cada producto
terminado que se obtienen de las posibles

287

Captulo 10 Introduccin a la programacin lineal

Tabla 10-10
Reduccin
Limite superior
Prevencin
esperada en daos
esperada
de gastos
para el
de fallecim ientos a propiedades
por cada 1000
proyecto
por cada 1000
(en dlares) dlares gastados dlares gastados

Proyecto
1. Publicidad para el uso
de cinturones de seguridad
2. Investigacin para mejorar
el diseo de carreteras
3. Investigacin para mejorar
el diseo de automviles
4. Dlares gastados para promover
leyes estatales ms severas
para conductores ebrios

Tabla 10-11

$80 000

0.33

20 000

0.25

20 000

75 000

0.15

30 000

100 000

0.27

10 000

Porcentajes de salida para el polvo fino y para el grueso


Entrada de crudo de Surinam

Entrada de crudo chino

Primer
proceso

Segundo
proceso

Porcentaje de polvo grueso

45

25

35

20

Porcentaje de polvo fino

50

70

60

80

Prdidas en la produccin

combinaciones de los materiales de entrada


y de los modos de procesamiento.
La tonelada de crudo de Surinam cuesta
300 dlares, mientras que la de crudo chino
cuesta 350. Una tonelada de procesamiento
rpido cuesta 50 dlares, y una de procesamiento lento cuesta 40 dlares. La tonelada
de polvo grueso se vende a 500 dlares y la
de polvo fino a 325. La planta de EAC
puede procesar 1000 toneladas de crudo
por semana. No hay lmites en cuanto al
volumen de producto terminado que puede
venderse.
Formule un modelo de programacin lineal para este problema que indique cmo
puede llegar EAC a la situacin ms rentable. Nota: EAC puede usar ambos tipos de

10-12.

Primer proceso Segundo proceso

crudo y ambos tipos de procesos; es decir,


pueden existir soluciones fraccionarias. La
compaa Consolidated ha contratado el
envo de sus productos de la fbrica a los
almacenes. El volumen de entregas se
mide en toneladas-kilmetro (toneladas de
producto multiplicadas por el nmero de
kilmetros hasta el punto de entrega).
Consolidated tiene que entregar aproximadamente 400 000 toneladas-kilmetro por
mes.
Actualmente, Consolidated paga a Speedie Trucking Company 50 centavos por tonelada-kilmetro para que entregue el
producto, pero quiere comprar una flotilla
de camiones para hacerse cargo de todo o
de una parte del servicio de entrega.

288

10-13.

Parte III Programacin matemtica


Se consideran tres tipos de camiones:
grandes camiones remolque, camiones medianos y camionetas. En la tabla 10-12 se
presentan los detalles de cada tipo.
Speedie Trucking ha indicado que seguira entregando los productos que Consolidated no pueda distribuir con sus camiones, a
la misma tarifa de 50 centavos por toneladakilmetro.
En Consolidated hay escasez de fondos
de capital para equipo, y slo se dispone de
380 000 dlares para las compras.
Adems de la limitacin del presupuesto,
existen otras restricciones con respecto a los
tipos de camiones que se compren. El
primer punto es el rea de carga disponible.
Debido a las limitaciones del espacio de
almacenamiento y de las maniobras de
carga, no caben ms de 28 camiones. Un
remolque o un camin mediano ocupara un
espacio; dos camionetas ocuparan un
espacio.
Adems, como consecuencia de los tipos
y tamaos de las entregas, por lo menos dos
terceras partes de los vehculos que se compren tendrn que ser remolques o camiones
medianos.
Formule este problema como un problema
de programacin lineal. No lo resuelva.
Tenga cuidado en la especificacin del objetivo y en la definicin de las variables. El
sistema escolar de la ciudad de GOT-HAM
tiene tres escuelas secundarias que atienden
las necesidades de cinco reas vecinales. Las
capacidades de las escuelas son:
Escuela

Capacidad
(mximo de
alumnos)

4 000 3
000 2
000

Total

9 000

El tamao (nmero de estudiantes de escuela secundaria) y la composicin racial de


cada vecindario se muestran a continuacin:

Nmero de
estudiantes
de minoras

Porcentaje de
estudiantes
2 100

Vecindario
1
2
3
4
5

30
80
20
10
20

2 400
1 300
800

1 600
8 200

Total

Las distancias (en kilmetros) de cada


vecindario a cada escuela son:
Vecindario
I

1.2

0.4

2.6

1.4

2.4

0.8
1.3

2.0
2.2

0.5
1.6

0.7
2.0

3.0
0.2

Escuela

Un juez federal ha dictaminado que ninguna escuela federal de la ciudad tenga ms


del 50% ni menos del 30% de alumnos pertenecientes a las minoras. Suponga que la
cantidad de estudiantes que proceden de cada
vecindario tiene la misma composicin racial
que todo el vecindario. Usted desea elaborar
un plan que minimice el nmero total de
kilmetros de transporte de los estudiantes,
que cumplan las exigencias de integracin
del juez, y que garantice que no se transporte
a ningn estudiante ms de 2.5 kilmetros.
Formule un modelo de programacin lineal
para resolver este problema. Un fabricante
10-14. elabora un producto en tres plantas y lo
distribuye a travs de cuatro almacenes de
servicio al mercado. Se proporcionan los
datos en la siguiente pgina: a. Suponga que
el gerente de mercadotec-nia quiere cumplir
con toda la demanda a costo mnimo. Elabore
una formulacin de programacin lineal de
este problema que genere las decisiones
ptimas de produccin y envos.

289

Captulo 10 Introduccin a la programacin lineal

Tabla 10-12

Tipo
Remolque
Mediano
Camioneta

Almacn
1
2
3

Costo
de compra

Costo operativo
(toneladakilmetro)

$15 000
8 000
5 000

$0 28
0 32
0.40

Precio Demanda
de venta
anual
(por unidad) (unidades)
$1.00 40 (XX) 10 (XX)
1.10 20 (XX) 25 (X)O
1.00
0.60

Costo variable
de produccin
Planta por unidad

10-15.

Capacidad
anual
(unidades)

$0.40

40 000

0.35
0.45

30 000
45 000

Use XA2 para representar la cantidad


que se produce en la fbrica A para en-

10-16.

vo al almacn 2; emplee notacin similar para otros casos. No resuelva el


problema.
b. Suponga que el vicepresidente de grupo
slo desea satisfacer las demandas

Capacidad
(toneladaskilmetro
por mes)
10
(XX)
8 000
6 000

que generen beneficios, es decir, quiere


maximizar los beneficios (los ingresos
menos los costos de produccin y
transporte). Modifique su formulacin de
programacin lineal de (a) para resolver este
problema en forma ptima. No resuelva el
problema. Acm Skateboard Company
fabrica tres modelos de patinetas: regular,
especial y de lujo. En la tabla 10-13 se
muestran los datos de costos, precio de
venta y otra informacin relacionada con
cada modelo.
Acm tiene una fuerza de trabajo de cinco
individuos asalariados que trabajan un
mximo de 40 horas por semana y que reciben una paga de 280 dlares por semana (incluyendo prestaciones) aunque no trabajen
las 40 horas. Acm desea encontrar el plan
ptimo de produccin semanal que maximice el beneficio y la contribucin al costo fijo
de fuerza de trabajo.
Formule un modelo de programacin lineal que maximice el beneficio ms la contribucin a los costos fijos de fuerza de
trabajo.
El gerente de operaciones de la compaa de
alquiler de automviles Hervs cree que un
modelo matemtico podra resultar til para
tomar las decisiones semanales acerca de la
reubicacin de los automviles de alquiler
de las ciudades con excedentes a las
ciudades con dficit. El gerente recopila, una
vez por semana, los datos acerca del nmero
de automviles en cada ciudad; la
comparacin de los datos con un nmero
"objetivo" de vehculos para la ciudad indica si hay un excedente o un dficit. (Por

Parte III Programacin matemtica

290

Tabla 10-13
Regular

Modelo
Precio de venta por unidad Costo de materias primas por
unidad Horas de trabajo necesarias para el montaje, para
el acabado y para el empaquetado por unidad* Lmite
superior de la demanda para las ventas semanales

$7
$3
0.1
1 000

Especial De lujo
$15
$6

0.2
800

$25
$10
0.
5
300

Por ejemplo, en una hora de trabajo se pueden producir 10 patinetas regulares,


cinco modelos especiales o dos modelos de lujo.

ejemplo, si la oficina del aeropuerto de Chicago tiene 67 automviles en este momento


y el objetivo es 80, tiene un dficit de 13 automviles).
Cada semana, el gerente debe determinar
cmo reasignar los automviles de las ciudades con excedentes a las ciudades con dficit. Aunque el nmero objetivo no vara de
una semana a la otra, el problema cambia
cada semana, debido a los patrones agregados, aproximadamente aleatorios, de
comportamiento del alquiler. Por ejemplo,
en una semana Chicago puede tener un dficit de 13 automviles, como sucedi antes;
pero la siguiente semana puede tener un
excedente de ocho vehculos. (88 automviles).
El mtodo que se utiliza actualmente para
resolver este problema consiste en comenzar
por la costa occidental y cubrir el dficit con
los excedentes de las ciudades ms
cercanas, siempre y cuando el gerente no
haya asignado esos automviles a otra
ciudad. De cualquier manera, el gerente
cree que debe existir un procedimiento ms
sistemtico para atacar el problema. La
situacin de cada ciudad (excedente o dficit
en el nmero de automviles) se conoce al
inicio de la semana; el gerente tambin sabe
cul es el costo de reasignar un automvil de
la ciudad i a la ciudad y, lo cual se representa
con Cy. Hervs tiene oficinas en 100
ciudades de todo el pas, con una flotilla
total de 10 000 automviles. La suma de las
cantidades objetivo tambin es 10 000
vehculos, por lo

que los dficits se compensan con los


excedentes.
a. Formule un modelo de programacin
lineal para resolver este problema.
b. El gerente de operaciones de Allegory
Airlines (AA) tiene un problema seme
jante al de reubicacin de automviles
de Hervs. Cada noche, las aeronaves
DC-9 de AA terminan sus operaciones
de transporte de pasajeros en distintas
ciudades; los DC-9 se requieren cada
maana en varias ciudades para iniciar
los vuelos del da siguiente. Por des
gracia, en ocasiones los DC-9 llegan
en la noche a ciudades que no los re
quieren en la maana siguiente, mien
tras que sucede lo contrario en otras
ciudades. El programa de vuelos de
AA no vara durante la semana; es
ms, por lo general no cambia en
tres o cuatro meses. As, el problema
de AA es idntico todas las noches; por
ejemplo, si Chicago tiene un excedente
de dos DC-9 esta noche, tendr un
excedente de dos DC-9 todas las
noches hasta que se produzca el
siguiente cambio en el programa de
vuelos.
AA ha determinado el costo del
vuelo de un avin de la ciudad i a la
ciudad j, incluyendo aspectos complejos como el costo de transporte de la
tripulacin del avin de la ciudad j a su
ciudad de origen (por lo general, otra
ciudad); este costo se representa con
C,y.

291

Captulo 10 Introduccin a la programacin lineal

niciones de variables y dems cambios que


se requieran; si el modelo no sirve, explique por qu.

Puede servir su modelo de programacin lineal de (a) para resolver el problema de reubicacin de aviones de ?
De ser as, indique los cambios en las defi-

Problemas ms difciles
10-17.

Emory Ahiniiimm Company fabrica rollos


de papel de aluminio de distintas anchuras.
Los clientes pueden pedir rollos de 60, 50,
30 o 20 centmetros de ancho. El papel se
fabrica con un micho normal de 135 centmetros y las anchuras menores se cortan del
rollo normal.
Hay varias maneras de cortar las anchuras menores, como se indica en la tabla 1014. Por ejemplo, con el mtodo 3 se cortan
del rollo normal un rollo de 60 cin de
ancho, un rollo de 30 cin de ancho y dos
rollos de 20 cm. Con este mtodo quedan
cinco centmetros de desperdicio [135 - 60
- 30 - 2(20) = 5]. Puesto que el mtodo de
corte genera ciertos desperdicios, hay
algunas combinaciones (que no se indican)
que no se pueden cortar. Todos los rollos
para corte tienen anchura de 135 centmetros y todos los pedidos son para las
medidas que se indican en la tabla. Adems,
todos los pedidos tienen una longitud determinada (la longitud del rollo).
Emory ha recibido los siguientes pedidos
para el mes de julio:

Ancho Rollos pedidos


330
24 centmetros 120
20 centmetros 480
12 centmetros 160
8 centmetros

10-18.

Cmo debe cortar Emory sus rollos para


satisfacer los pedidos? Formule un modelo
de programacin lineal para el problema,
pero no lo resuelva.
Un granjero tiene 1000 hectreas donde
puede cultivar maz o cebada o alimentar
ganado. En la pgina siguiente se presenta
la informacin sobre los dos cultivos.
El granjero puede sembrar la tierra con
cualquier combinacin de los dos granos o
puede usar el terreno para criar reses y alimentarlas durante un ao. Cada una de las
reses cuesta 150 dlares y se vende a 800
dlares despus de ser alimentada. Para cada res se requieren 20 horas de trabajo, media hectrea de terreno y 80 costales de
maz. El maz para las reses puede ser el

Tabla 10-14
Mtodo de corte
Anchura
60 centmetros
50 centmetros
30 centmetros
20 centmetros
Desperdicio
(centmetros)

Parte III Programacin matemtica

292

Elemento

Maz

Cebada

Costo de semillas y otros


materiales por hectrea
Horas de trabajo requeridas
por hectrea
Rendimiento (costales por
hectrea)
Precio de venta ($ por bushel
Precio de compra
($ por bushel)

$100

$120

10

120

100

*) $4.25
$4.50

$5.25

* Medida de capacidad correspondiente a 2.84 hectolitros.

que se cultive en el terreno, si alcanza, o


puede comprarse.
El granjero puede usar fuerza de trabajo sin
experiencia, a un costo de seis dlares por
hora, o con experiencia, a 10 dlares por
hora. Cada hora de trabajo del personal sin
experiencia requiere 0.15 horas de
supervisin, mientras que la fuerza de trabajo
experimentada slo necesita 0.05 horas de
supervisin. Hay 2000 horas de supervisin
disponibles.
El granjero slo dispone de 200 000 dlares
para comprar semillas y otros insumos, para
la compra de reses y para pagar la mano de
obra.
Formule el problema como un modelo de
programacin lineal.
10-19. Un fabricante ha establecido un contrato para
producir 2000 unidades de un producto en los
prximos ocho meses. El programa de
entregas es el siguiente:
Mes

Unidades

Enero

100

Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Total

200
300
400
100
100
500
300

2000

10-20.

El fabricante ha estimado que le cuesta un


dlar almacenar una unidad de producto
durante un mes. La capacidad de su almacn
es de 300 unidades.
El fabricante puede producir cualquier nmero de unidades en un mes, ya que se producen principalmente con mano de obra
temporal, fcilmente disponible. Sin embargo, existe el costo de la capacitacin del
nuevo personal y los costos que se relacionan con los despidos de personal. El fabricante estima que cuesta unos 75 centavos
por unidad aumentar el nivel de produccin
de un mes al siguiente {es decir, si la produccin de enero es 200 y aumenta a 300 en
febrero, el costo es de 75 dlares para capacitacin del personal adicional que se requiere para producir al nivel de 300
unidades). De manera anloga, cuesta 50
centavos por unidad reducir la produccin
de un mes al siguiente. (Al trmino de los
ocho meses se despedir a todos los empleados, con los costos correspondientes de
la reduccin de la produccin.) Suponga que
el nivel de produccin antes de enero es
cero.
a. Formule lo anterior como un problema
de programacin lineal.
b. Suponga que hay un lmite de produc
cin de 300 unidades mensuales. For
mule el problema de programacin
lineal con esta restriccin adicional.
El director de servicios para pasajeros de
Ace Air Lines intentaba decidir cuntos nuevos asistentes de vuelo debe contratar y capacitar en los prximos seis meses. Los
requerimientos en nmero de horas de vuelo
exigidos a los asistentes eran:
Mes

Enero
Febrero
Marzo
Abril
Mayo
Junio

Horas necesarias
8000
7000
8000
10 000
9 000
12 000

Captulo 10 Introduccin a la programacin lineal

10-21.

Dos factores complicaban el problema. Se


requera un mes para capacitar a los asistentes antes de que pudieran trabajar en los
vuelos regulares y, por esto, la contratacin
tena que efectuarse un mes antes de que
surgiera la necesidad. Segundo, para capacitar a los nuevos asistentes se requera el
tiempo de los asistentes ya entrenados. Para
cada asistente nuevo se necesitaban 100 horas de un asistente entrenado en el mes de
capacitacin. En otras palabras, el nmero
de horas disponibles para vuelo de los asistentes regulares se reduca en 100 horas por
cada nuevo asistente.
El director de servicios para pasajeros no
se preocup por el mes de enero, ya que haba 60 asistentes disponibles. Los reglamentos de la compaa estipulaban que un
asistente no poda trabajar ms de 150 horas
en un mes. Esto quera decir que el director
tena un mximo de 9000 horas disponibles
para el mes de enero, mil horas por encima
de las necesidades (en estos casos no se
despeda a los asistentes, slo trabajaban
menos horas).
Los registros de la compaa indicaban
que cada mes un 10% de los asistentes renunciaban a su empleo por diversas razones.
El costo de un asistente regular para Ace
Air Lines era de 1500 dlares mensuales, lo
cual inclua el salario y las prestaciones, sin
importar cuntas horas trabajara (por supuesto, no podan trabajar ms de 150 horas). El costo de un asistente en etapa de
capacitacin era de 700 dlares por concepto
de salario y prestaciones.
Formule la situacin anterior como un
problema de programacin lineal diseado
para resolver el problema del director de
servicios de los pasajeros con el menor costo
posible. No intente resolver el problema.
Asegrese de identificar todos los smbolos
que utilice.
El pas de Milkandhoney slo produca maquinaria, acero y automviles, e importaba
todos los dems bienes. El ministro de economa pensaba que se poda mejorar el bienestar del pas maximizando el valor
monetario neto de las exportaciones (es decir, el valor de las exportaciones menos el

293

costo de los materiales que se importaban


para producirlas). Milkandhoney poda
vender en el mercado mundial todo el acero,
los automviles o la maquinaria que
produjera, a precios de 500 dlares por
unidad de acero, 1500 dlares por automvil
y 2500 dlares por unidad de maquinaria.
Para producir una unidad de acero se requeran 0.05 unidades de maquinaria, 0.01
unidades de automviles, dos unidades de
mineral comprado en el mercado mundial a
100 dlares la unidad y otros materiales de
importacin con costo de 50 dlares. Adems, era necesario medio trabajador-ao para
producir una unidad de acero. Las
fundidoras de acero de Milkandhoney tenan
capacidad para producir 100 000 unidades
cada ao.
Para producir una unidad de automviles,
se necesitaba una unidad de acero, 0.1 unidades de maquinaria y un trabajador-ao, as
como 300 dlares de materiales importados
para producir cada unidad. La capacidad de
produccin de automviles era de 700 000
unidades anuales.
Para producir una unidad de maquinaria
se requeran 0.01 unidades de automviles,
0.5 unidades de acero y dos trabajadoresao, adems de 100 dlares para artculos
importados de otros pases. La capacidad de
las plantas de maquinaria era de 50 000 unidades por ao.
El total de personal disponible para trabajar en Milkandhoney era de 800 000 personas por ao.
a. Suponiendo que no se puede importar
acero, automviles ni maquinaria, for
mule un modelo de programacin li
neal para determinar la combinacin
de produccin que maximice las expor
taciones netas (dlares). Tenga cuida
do en definir todas las variables y
establecer todas las relaciones entre va
riables.
b. Cmo formulara el problema de pro
gramacin lineal si no hubiera restric
ciones sobre la importacin de
automviles, acero ni maquinaria con
los precios que se indican? Hay algu-

294

Tabla 10-15

Parte III Programacin matemtica

Caractersticas de las plantas elctricas por unidad (mil millones de kilowatts-hora)


de suministro anual

Tipo
Vapor
Hidroelctrica, sin represa
Hidroelctrica, represa pequea
Hidroelctrica, represa grande

Suministro
garantizado
(millones de
kilo-watts)
0.15

Suministro Costo de la
mximo
inversin
(millones
(miles de
de kilowatts) dlares)
$30
0.20

0.10
0.10
0.80

na solucin obvia para el problema formulado de esta manera? La compaa


10-22. elctrica Stateside planifica la construccin
de nuevas instalaciones en su rea para los
prximos 10 aos.4 Es posible construir
cuatro tipos de instalaciones de energa
elctrica: plantas de vapor que utilizan
carbn para generar energa, plantas
hidroelctricas sin represa, plantas hidroelctricas con represas pequeas (capacidad
de almacenamiento de agua suficiente para
cubrir las fluctuaciones diarias) y plantas hidroelctricas con grandes represas (suficiente
capacidad de almacenamiento de agua para
cubrir las fluctuaciones de flujo de agua y
las de demanda de energa en la temporada).
El consumo de energa elctrica se basa en
tres caractersticas. La primera es el consumo
anual total; se estima que el rea requerir 4
billones de kilowatts-hora hasta el dcimo
ao. La segunda caracterstica es el consumo
mximo de energa, que por lo general
ocurre en cualquier da de verano alrededor
de las 4 P.M. Todos los planes deben
suministrar capacidad mxima suficiente
para cubrir la necesidad mxima esperada de
3000 millones de kilowatts en el dcimo
ao. La tercera caracterstica es

4 Este problema se basa en el artculo "Application of Linear


Programming to Investments in the Electric Power Industry", P.
Masse y R. Gibrat, en Management Science, Enero de 1957.

0.10
0.40
0.90

40
60
100

Costo total
actualizado
(miles de
dlares)
$65
42
64
110

el suministro garantizado de energa, que se


mide como el suministro diurno promedio a
mediados de invierno, cuando el consumo
es alto y los niveles de agua para las plantas
hidroelctricas son bajos. El requisito de suministro garantizado hasta el dcimo ao es
de 2000 millones de kilowatts.
Las diversas plantas de energa posibles
varan en cuanto a la forma de satisfacer estas caractersticas. Por ejemplo, las plantas
hidroelctricas con represas pueden proporcionar gran capacidad mxima, mientras
que las plantas de vapor y las hidroelctricas sin represas no funcionan muy bien en
este aspecto.
En la tabla 10-15 se presentan las caractersticas de los distintos tipos de plantas. Cada una se mide en funcin de una unidad de
capacidad, la cual se define como la capacidad para producir un billn de kilowatts-hora
por ao. Observe que los tipos de plantas
varan considerablemente en sus costos de
inversin, as como en sus costos operativos
(de explotacin) anuales. Por ejemplo, el
costo del carbn eleva bastante los costos
anuales de las plantas de vapor, mientras
que los costos operativos anuales de las
plantas hidroelctricas son relativamente
menores. La ltima columna de la tabla
muestra los costos totales actualizados, que
incluyen tanto el costo de inversin como
los costos operativos anuales actualizados.
La compaa quiere desarrollar un plan de
10 aos que detalle la capacidad de cada

Captulo 10 Introduccin a la programacin lineal

295

Tabla 10-16

Automviles necesarios

10-23.

10-24.

Oct.

Nov.

Dic.

Ene.

Feb.

Mar.

380

360

300

360

330

340

tipo de planta que debe construir. El objetivo


es minimizar el costo total actualizado, pero
existe la restriccin de que no puede invertir
ms de 350 millones de dlares en plantas
en los prximos diez aos.
Formule el problema como un modelo de
programacin lineal.
En los modelos de programacin lineal, por
lo general se supone que la demanda de un
producto es algo conocido, cuando en la
prctica esta demanda es incierta. Con frecuencia se puede incorporar esta demanda
incierta a un modelo de programacin lineal,
como se ilustra en este ejercicio.
Remtase al problema 10-1 y a la solucin
que se presenta al final del libro. Considere
el producto A, para cuya demanda se supone
que existe un lmite superior de 20 unidades.
Suponga aliora que el lmite superior para la
demanda del producto A es incierta pero se
asigna una probabilidad de 0.4 de que se
vendan 10 unidades como mximo, y de 0.6
de que se vendan 20 como mximo.
Suponga tambin que si se producen ms de
10 unidades y el lmite superior de la
demanda resulta ser slo 10 unidades, se
puede vender el excedente a un precio reducido que slo ofrecer un beneficio de 10
dlares por unidad. Su objetivo es maximizar el beneficio esperado. Cmo modificara la formulacin del problema 10-1 para
lograrlo?
Recomendacin: Defina una nueva
variable como el exceso de produccin del
producto A, por encima de 10 unidades, y
considere los ingresos esperados que se
obtendran de la venta de estas unidades.
La compaa de alquiler de automviles Premier tiene una flotilla en una ciudad grande
de la parte occidental del pas. La compaa
ha pronosticado la demanda de automviles

10-25.

de alquiler para los prximos seis meses, como se presenta en la tabla 10-16.
La compaa obtiene sus vehculos por
arrendamiento de un fabricante de automviles. Hay tres planes de arrendamiento disponibles, con duracin de tres, cuatro o
cinco meses. Los automviles se arriendan
al comenzar el primer da de cada mes y se
devuelven al fabricante el ltimo da del mes
en el cual concluye el periodo de arrendamiento. Los costos de arrendamiento se
muestran en la tabla 10-17.
Estos costos incluyen el pago por arrendamiento al fabricante y los gastos normales
de mantenimiento y reparacin. El arrendamiento se puede obtener en cualquier mes.
El fabricante tiene ciertas restricciones: por
lo menos el 60% de los automviles deben
arrendarse a cinco meses, y no ms del 20%
pueden estar en arrendamiento a tres meses.
La flotilla est compuesta, al 30 de septiembre, por 300 automviles. Para 100 de
ellos, el arrendamiento vence al trmino de
octubre; para otros 100, vence al final de
noviembre y para los 100 restantes vence al
concluir diciembre. Premier desea tener
entre 300 y 350 automviles en la flotilla al
terminar marzo (despus de devolver los
automviles cuyo arrendamiento vence ese
mes).
Premier quiere tambin minimizar sus
costos de arrendamiento. Formule un problema de programacin lineal para resolver
el problema de planificacin de la flotilla.
Precisin Pencil Company (PPC) produce
lpices de madera y el grafito de los lpices.
Hay dos clases principales de sus productos:
lpices regulares y de dibujo. La produccin
del grafito para las dos clases utiliza las
mismas instalaciones, pero en el caso del de
mayor calidad para dibujo, las operaciones
del departamento requieren ca-

Parte III

296

Programacin matemtica

Tabla 10-17
Tipo de arrendamiento
Tres meses
Costo total del atrendamiento
Costo por mes

$1 360
340

$1 140
380

si el doble de tiempo por kilogramo de


material que para el grafito regular. El departamento de fabricacin est altamente
automatizado y, en la fase de manufactura,
la tasa de produccin es idntica para las dos
clases de productos. La tabla adjunta
presenta un resumen de la tasa mxima de
produccin por hora para cada departamento
(grafito y fabricacin) cuando el departamento slo se usa para una clase de
productos.

Tasas mximas de produccin para


cada producto, por separado
Clase de
productos

Cuatro meses

Dibujo
(por hora)

Departamento
Regular
(por hora)
Grafito
500 kilogramos 300 kilogramos
Fabricacin de lpices 30 gruesas*
30 gruesas*
* Una gruesa es 144 lpices.

Los lpices regulares usan 10 kilogramos de


grafito regular por gruesa y los lpices de dibujo
requieren 15 kilogramos de grafito de dibujo por
gruesa.
La demanda de lpices de dibujo es constante:
6500 gruesas por trimestre. La demanda de los
lpices regulares tambin es constante en el
primer trimestre del ao, 7800 gruesas, luego
sube a 10 400 gruesas en el segundo y tercer
trimestres (por los pedidos escolares) y luego
baja otra vez a 7800 gruesas en el cuarto
trimestre.
Cada uno de los departamentos (grafito y
fabricacin) dispone de 520 horas de produccin
normal por trimestre, adems de un mximo de
78 horas de produccin con

Cinco meses
$1 500
300

tiempo extra. Los inventarios de grafito y lpices terminados pueden almacenarse de un


trimestre al siguiente.
El costo variable para fabricar un kilogramo de grafito es de 0.10 dlares para el regular y de 0.15 dlares para el de dibujo. El
costo variable de fabricacin de una gruesa
de lpices (incluyendo el costo del grafito)
es de cuatro dlares para los lpices
regulares y de 4.50 dlares para los lpices
de dibujo, en tiempo regular. Estos costos
aumentan un 10% con la produccin en
tiempo extra. El costo total de almacenamiento es el 20% del costo variable
anual.
Formule un modelo de programacin
lineal cuya solucin indique un plan de
produccin para PPC en los cuatro trimestres
del ao. No intente resolver el problema.
10-26. Nationwide Airlines,5 se enfrenta a un fuerte
aumento en el costo del combustible para
aviones y se interesa por optimizar sus compras de combustible en distintos lugares del
pas. En trminos generales, hay varias opciones con respecto a la cantidad de combustible que puede cargarse en un avin para
un vuelo, mientras no se violen los lmites
mnimos y mximos. El programa de vuelo
se considera una secuencia de segmentos de
vuelo, o etapas, que sigue cada avin. El
programa de vuelo regresa finalmente al
punto de partida, para que se obtenga una
"rotacin". Considere la siguiente rotacin:

Este problema es una adaptacin de D. Wayne Darnell y


Carolyn Loflin, "National Airlines Fuel Management and Allocation Model", nterfaces, febrero de 1977, pgs. 1-16.

Captulo 10

Tabla 10-18

Nmero
de ciudad

Introduccin a la programacin lineal

297

Requisitos y lmites de combustible (miles de litros, a menos que se especifique


lo contrario)

Secuenci
a de

Combustible adicional
Consumo consumido por litro de
normal combustible
almacenado en el
de
combustiblt
Combustible Combustible
si se carga el tanque (es decir,
mnimo
mximo
combustible combustible por encima
requerido permitido
mnimo del mnimo; en litros)

Un analista ha comenzado a formular este


caso como un problema de programacin lineal y ha definido las siguientes variables
desconocidas:

Los ngeles-Miami-Tampa-La Guardia-Los


ngeles
El combustible para estos segmentos de vuelo puede comprarse en la ciudad de partida o
en una ciudad anterior de la secuencia y
almacenarse en el tanque. Por supuesto, se
requiere combustible para transportar el
combustible, por lo cual hay que hacer concesiones entre la compra del combustible en
el lugar ms econmico y almacenarlo en el
tanque durante los vuelos.
Se obtuvieron los datos que se presentan
en la tabla 10-18.
La columna "Consumo normal de combustible" toma en cuenta el consumo si se
carga la cantidad mnima de combustible, y
la columna "Consumo adicional de combustible" indica la cantidad adicional de combustible que se consume en cada segmento
de vuelo por cada litro de combustible almacenado en el tanque por encima de la cantidad mnima.
Observe que la cantidad de combustible
con la cual se llega a Los ngeles debe ser
igual a la cantidad con la cual se llega a esta
ciudad en la siguiente rotacin, para que el
sistema est en equilibrio.

Precio por
litro
(centavos)

/, = Inventario de combustible sobrante


al llegar a la ciudad i (miles de litros)
X = Cantidad de combustible comprada
en la ciudad i (miles de litros)
As, (/f + X) es la cantidad de combustible
que hay en el avin cuando sale de la ciudad
i.
Formule la situacin anterior como un
problema de programacin lineal. Acm
10-27. Injectors (AI) produce inyectores de
combustible para automviles.6 La tolerancia
entre la aguja y el cuerpo del inyector es
crtica, y ni la maquinaria ms moderna puede
fabricar las agujas y los cuerpos con esta
tolerancia exacta. AI produce grupos de agujas y cuerpos y luego los clasifica en una de

Este problema se extrajo del articulo de G. J. Gutirrez, W. H.


Hausman y H. L. Lee, "Dynamic Control of Imperfect Component Production", presentado en la reunin TIMS/ORSA, Las
Vegas, 7 a 9 de mayo de 1990.

Parte III Programacin matemtica

298

diez categoras de forma que una aguja de


clase i con un cuerpo de clase i, cumplen la
tolerancia requerida.
Suponga que las mquinas pueden configurarse con agujas y cuerpos de cualquier
clase entre 1 y 10, y suponga tambin que
se conoce, para cada configuracin, el porcentaje de productos resultantes de todas las
categoras, lo cual se especifica como PJA
yPijc; PJA representa el porcentaje de agujas
de la categora y que se producen cuando la
mquina se configura con la categora i; Pjc
representa de manera anloga a los cuerpos.
Las clases; = 0 yj = 11 registran los
defectos (agujas y cuerpos que no pueden
usarse). Las mquinas de produccin
pueden configurarse para distintos valores
en diferentes fases de la sesin de
produccin.

Caso 10-28

a. Formule un modelo de programacin


lineal para determinar las configuracio
nes de la mquina de produccin que
maximicen el porcentaje de agujas y
de cuerpos que pueden montarse para
obtener inyectores buenos. Suponga
que las cantidades de produccin tie
nen el tamao suficiente para que las
salidas sean iguales a los porcentajes
P,JA

yV

b. Considere ahora una versin muy sim


plificada de este problema en la cual se
puede producir la aguja perfectamente;
es decir, PjA = \sij = iyOs\j* i. Su

ponga tambin, para la produccin de


los cuerpos, que P,M c = 0.25;
PliC = 0.50 y P,,M c = 0.25 (todos los
dems valores de PiJC son cero). Puede
resolver este problema por inspeccin?

Impala Gold Company operaba una mina de oro en el Estado Libre de Orange,
Sudfrica. La operacin consista en minera subterrnea, a una profundidad de
1400 metros, para la extraccin de mineral de oro. Las rocas se transportaban por
los tneles de la mina a un molino que trituraba la roca y extraa el oro.
La mina Impala tena tres tneles. La informacin acerca de estos tneles se
presenta en la tabla adjunta. Observe que el mineral que se obtiene de cada una
de las reas de los tneles tiene diferente contenido de oro y distinto costo.
Las rocas que se extraan de los tres tneles se enviaban al molino para ser
trituradas y refinadas. La capacidad del molino dependa de la finura del molido
de las rocas. Si las rocas se molan finamente, la capacidad del molino era de
240 000 toneladas mensuales y se recuperaba el 95% del oro en la operacin. Las
rocas de cada tnel se podan moler por separado. El costo de molido fino de una
tonelada de roca era 1.12 rands por tonelada. Si el molido de las rocas era grueso,
la capacidad del molino era de 250 000 toneladas, pero la recuperacin de oro
bajaba al 90%. El costo de molido grueso de una tonelada de roca era de 0.85
rands. La mina poda vender todo el oro que produjera, a 0.80 rands el gramo.
El gerente de la mina estaba preocupado por la cantidad de mineral que deba
extraer de cada una de las reas de los tneles. Haba observado que la capacidad
del molino no era suficiente para manejar todos los tneles si stos operaban a
toda su capacidad. El problema se complicaba an ms por el requisito legal de
que la mina no poda operar "por encima del grado promedio" de las reservas
de mineral. En la mina Impala este grado promedio era de 20 gramos por tonelada.
Por lo tanto, exista la restriccin legal de que la mezcla de rocas de los tres tneles
no poda exceder un promedio de 20 gramos de oro por tonelada de mineral.
Formule un modelo de programacin lineal para maximizar los beneficios de
la operacin de la mina.

Captulo 10

Capacidad de transporte del tnel (toneladas por mes)


Grado del mineral (gramos de oro por tonelada de roca)
Costo variable de la extraccin de roca (rands por tonelada)

Caso 10-29

299

Introduccin a la programacin lineal

Tnel 1

Tnel
2

Tnel
3

85 000
25 6

90 000 20
5

95 000
15
4

El tesorero de los grandes almacenes Racy's lleva a cabo su planificacin


financiera para los prximos seis meses (septiembre a febrero).7 Se aproxima la
temporada navidea, por lo que Racy's necesita grandes cantidades de efectivo,
sobre todo en los meses de noviembre y diciembre; en enero y febrero ingresa
gran cantidad de efectivo, cuando los clientes pagan sus cuentas navideas. Estas
condiciones se resumen en la tabla 10-19 (en miles de dlares).
El tesorero tiene tres fuentes de financiamiento a corto plazo para satisfacer las
necesidades de Racy's. Estas fuentes son:
1. Compromiso sobre cuentas por cobrar. Un banco de la localidad prestar
dinero mensualmente a Racy's a cambio de un compromiso basado en el saldo de
las cuentas por cobrar que exista al iniciar un mes. El prstamo mximo es del
75% de las cuentas por cobrar de un mes. El costo de este prstamo es el 1.5%
mensual de la cantidad que se preste.
2. Pago aplazado de las compras. El pago de las compras se puede aplazar un
mes. As, por ejemplo, los 100 000 dlares planificados para pagos en noviembre
pueden posponerse hasta diciembre y Racy's podra usar los fondos para satisfacer
las necesidades de noviembre. Si Racy's pospone de esta manera los pagos de las
compras, pierde el descuento del 3% que recibe normalmente por pronto pago.
3. Prstamo a corto plazo. Un banco est dispuesto a prestar a Racy's cualquier
cantidad entre 40 000 y 100 000 dlares a seis meses. El monto total del prstamo
se obtendra al iniciar septiembre y se pagara todo al final de febrero. No es
posible ampliar el prstamo ni pagar parte de l durante el periodo. El costo del
prstamo sera el 1% mensual, lo cual se puede pagar cada mes.
En cualquier periodo, si la empresa tiene exceso de fondos, puede invertirlo en
bonos de gobierno a corto plazo con un rendimiento del 0.5% mensual.
El objetivo del tesorero es minimizar el costo neto de los intereses para Racy's
y cubrir al mismo tiempo las necesidades de efectivo de la empresa.
Formule la decisin anterior de financiamiento a corto plazo como un problema
de programacin lineal. Asegrese de nombrar todas las variables y explicar las
relaciones entre ellas.

Este problema se basa en A. A. Robicheck, D. Teichroew y J. M. Jones, "Optimal Short-Term Financing


Decisions", Management Science, septiembre de 1965.

300

Parte III

Programacin matemtica

Tabla 10-19
Saldo de cuentas por cobrar
(al iniciar el mes)
Pagos planificados de compras
(suponiendo que se aplica
el descuento)
Necesidades de efectivo para
las operaciones
Excedente de efectivo de las
operaciones

Caso 10-30

Sept.

Oct.

Nov.

Dic.

Ene.

Feb.

$70

$50

$70

$120

$100

$ 50

80

90

100

60

40

50

30

60

90

20

30

150

Daguscahonda Mines Company (DMC) explota minas de carbn a cielo abierto


en la parte occidental de Pennsylvania. Actualmente trabaja en tres minas, A, y
C, cada una de las cuales produce carbn con distinto contenido de azufre y ceniza.
El carbn de las tres minas se transporta a un molino comn que muele el carbn
para obtener una mezcla ms fina. El carbn se "lava" despus para eliminar parte
del azufre y la ceniza. En el proceso de lavado se vaca el carbn molido en un
tanque de gran tamao que contiene un fluido. El carbn ms limpio flota y se
retira para venderlo. El carbn con mayor concentracin de impurezas se hunde
en el fondo del tanque y se desecha.
Se puede controlar la cantidad de impurezas que se eliminan utilizando fluidos
de lavado de distintas densidades (de pesos especficos diferentes). Actualmente
se usan tres fluidos: ligero, mediano y pesado. Con el fluido pesado se recupera
(es decir, flota) mayor cantidad de carbn, pero se elimina menor cantidad de
impurezas (vase Tabla 10-20).
Si el carbn de la mina A se lava slo con fluido ligero, nicamente se
recupera el 40% del carbn para la venta. Este carbn contiene un 0.62% de azufre
y un 1.6% de cenizas. Por otra parte, si se usa el fluido pesado, el rendimiento
aumenta al 55%, pero el carbn recuperado contiene 1.04% de azufre y 2.1% de
cenizas.
La operacin de molido y lavado se configura de manera que se puede usar
cualquier combinacin de carbn de las minas con cualquiera de los fluidos.
Despus del lavado, se combina todo el carbn para formar una sola mezcla, que
DMC pone a la venta. Los requerimientos ambientales limitan la mezcla a un
mximo de 0.5% de azufre y de 2.0% de cenizas.
Hay otras restricciones. El equipo disponible limita la cantidad que puede producirse en cada mina (vase Tabla 10-21). El molino puede manejar un mximo
de 8000 toneladas de carbn no lavado por semana, con tiempo normal, pero con
tiempo extra la capacidad puede aumentar a 12 000 toneladas. El costo de la
operacin de molido es de cinco dlares por tonelada de carbn no lavado en
tiempo normal y de 7.50 dlares por tonelada en tiempo extra. El tanque de lavado
puede manejar hasta 6000 toneladas de carbn recuperado en tiempo normal y
otras 3000 toneladas ms en tiempo extra. El costo de lavado es de 10 dlares por
tonelada de carbn recuperado en tiempo normal y de 15 dlares en tiempo extra.

Captulo 10 Introduccin a la programacin lineal

Tabla 10-20

Mina de origen
y tipo de fluido
Mina A

Efecto de los diferentes fluidos en la recuperacin de carbn y en la eliminacin de


impurezas
Porcentaje del
contenido
Toneladas de carbn
de azufre
recuperadas por
del carbn
tonelada de entrada
recuperado

Ligero
Mediano
Pesado
Mina
Ligero
Mediano
Pesado
MinaC
Ligero
Mediano
Pesado

Tabla 10-21
Mina

301

Porcentaje del
contenido
de cenizas
del carbn
recuperado

0.40
0.50
0.55

0.62
0.91
1.04

1.6
1.9
2.1

0.70
0.90
0.95

0.22
0.35
0.47

1.9
2.3
2.5

0.62
0.75
0.82

0.42
0.50
0.78

1.5
1.8
2.2

Costos y capacidades de las minas DMC

Capacidad
(toneladas
mximas
extradas por
semana)
6000
2 300
5000

Costo (dlares
por tonelada
extrada)
$25
45
40

En la tabla 10-21 tambin se muestran los costos variables de la operacin de


cada mina. Adems, se gastan dos dlares por tonelada de carbn no lavado con
el fluido ligero, cuatro dlares por tonelada con el lquido mediano y seis dlares
por tonelada con el fluido pesado. DMC vende su mezcla de carbn a 100 dlares la tonelada.
Formule lo anterior como un modelo de programacin lineal.

CAPTULO

Resolucin de problemas de
programacin lineal
En el captulo 10 se present una amplia gama de problemas que pueden formularse como modelos de programacin lineal. En este captulo se ver la forma de
resolverlos. Puesto que los problemas reales de programacin lineal pueden ser
muy grandes y complejos, se emplean mtodos de computacin para resolverlos.
Estos mtodos son de gran inters para los especialistas en computacin y los
matemticos, y las ideas bsicas de esta tcnica, llamada mtodo simplex, se
analizan en el captulo 12. Los gerentes se interesan ms por las soluciones que
por los aspectos matemticos de los mtodos. Usted podr preguntarse por
qu debe estudiar este captulo; la respuesta es que las soluciones de los problemas
de programacin lineal permiten ver muchos detalles del problema de decisin.
En el captulo 2 se analizaron el valor del anlisis de sensibilidad y otros aspectos
de los modelos en general que los gerentes pueden conocer. Las soluciones de los
problemas de programacin lineal ofrecen muchos detalles y, para comprender
plenamente las/ soluciones, es necesario conocer algo acerca del proceso de
resolucin. Por lo tanto, este captulo presenta algunas ideas de las soluciones
algebraica y grfica de la programacin lineal y los conceptos tiles que los
gerentes pueden obtener de estas soluciones.

Solucin grfica
En la mayora de los casos no es posible resolver grficamente los problemas de
programacin lineal, por nuestra incapacidad para visualizar ms de tres dimensiones espaciales. Sin embargo, es conveniente ver cmo se puede resolver un
problema sencillo en forma grfica, ya que los problemas de mayor dimensin
tienen soluciones semejantes.
Situacin. Una empresa fabrica dos productos, A y B. Cada uno requiere tiempo
en dos mquinas. La primera mquina tiene 24 horas disponibles y la segunda
302

Captulo 11 Resolucin de problemas de programacin lineal

303

tiene 16. Cada unidad del producto A requiere dos horas en ambas mquinas y
cada unidad del producto necesita tres horas en la primera mquina y una hora
en la segunda. Los beneficios son de seis dlares por unidad de Ay de siete dlares
por unidad de B, y la empresa puede vender todas las unidades que fabrique de
ambos productos.
Problema. Suponga que el objetivo es maximizar el beneficio; cuntas unidades de los productos A y debe producir? Este problema de programacin lineal
se analiz en el captulo 10. Aqu se repasar brevemente su formulacin.
Formulacin. Sea:
X, = Nmero de unidades del producto A que se fabricarn Xi =
Nmero de unidades del producto que se fabricarn =
Beneficio total para la empresa
La situacin y el objetivo (maximizar el beneficio) se pueden expresar con las
siguientes ecuaciones:
Maximizar:
Sujeto a:

Solucin. En la figura 11-1 se muestran las dos ecuaciones de restriccin. La


ecuacin

es la restriccin que impone la limitacin de horas disponibles (24) en la primera


mquina, y todos los puntos situados a la izquierda y debajo de la lnea son
combinaciones posibles (factibles) de X, yX2- Anlogamente:

es la restriccin. que se relaciona con la segunda mquina, y todos los puntos


situados abajo y a la izquierda son factibles. Tambin estn las restricciones Xx > 0
y X2 0, ya que la produccin no puede ser negativa.
Considere el punto F dentro de la regin sombreada de la figura 11-1, que
comprende la produccin de cinco unidades del producto A y cuatro unidades del
producto B. Para ello se requieren 2 x 5 + 3 x 4 = 22 horas en la primera mquina.
Esta cifra es menor que las 24 horas disponibles y por lo tanto cumple con la
restriccin de la primera mquina. As mismo, se requieren 2 x 5 + 1 x 4 = 14
horas en la segunda mquina, tambin menor que el lmite de 16 horas disponibles.
Por ltimo, ', y X2 son positivos y satisfacen las restricciones de no negatividad.
La solucin que representa el punto no viola ninguna de las restricciones, por
lo cual es un punto factible. La regin sombreada ACDE de la figura 11-1 es el

304

Parte III Programacin matemtica

Figura 11-1

Restricciones de programacin lineal y regin factible

conjunto de puntos factibles de acuerdo con todas las restricciones y se le


denomina regin factible.
Nuestro objetivo es encontrar el punto o los puntos dentro de la regin factible
ACDE que maximicen el beneficio. Ahora se mostrar que el punto ptimo
siempre estar en un vrtice de la regin factible. Los cuatro vrtices de ACDE
son los puntos A, C,D y y uno de ellos debe ser una solucin ptima del problema
de programacin lineal.1
Para ver en forma intuitiva por qu la solucin ptima siempre estar en un
vrtice de la regin factible, se elabora un grfico de las funciones de beneficios.
Una funcin de beneficio es una lnea que contiene todas las combinaciones de
^1 y %2 <5ue representan una cantidad constante de beneficios. En la figura 11-2
se muestra una serie de funciones de beneficios para distintos niveles de beneficios.
Considere la funcin de beneficio para la cual = 42. La ecuacin de esta
lnea es:

Esta lnea contiene varios puntos factibles (puntos en ACDE), todos los cuales
generaran 42 dlares de beneficio. Pero la lnea = 54 es mejor que = 42, pues
contiene puntos factibles con beneficio de 54 dlares. Observe que la lnea de
beneficio = 54 es paralela a la lnea = 42; en los problemas de programacin
lineal todas las lneas de beneficios sern paralelas. Continuamos considerando
Ms adelante se ver que dos o ms vrtices adyacentes pueden ser soluciones ptimas alternativas.

Captulo 11 Resolucin de problemas de programacin lineal

Figura 11-2

305

Funciones de beneficios = 6X\ + 7X2

las lneas paralelas a la lnea = 42 hasta llegar a la lnea - 64. Aqu slo hay
un punto en la regin ACDE, D, y D (que es X1 = 6 y X2 = 4) es la solucin ptima.
No hay puntos en la regin factible para valores de mayores.
El vrtice especfico que ser la solucin depender de la pendiente de la
funcin de beneficio, es decir, de la rentabilidad relativa de los productos A y B.
Si, por ejemplo, el producto A fuera mucho ms rentable que el producto
B, digamos ocho dlares por unidad de A y dos dlares por unidad de B, entonces
la funcin objetivo sera:
SX 1 + 2X 2

Las funciones de beneficios para esta opcin se presentan en la figura 11-3.


Observe que el punto C es ahora la solucin ptima. De manera parecida, si el
producto fuera mucho ms rentable que A y la funcin objetivo fuera, por
ejemplo:
- 2X1 + SX2

entonces el punto ptimo sera E. Si la empresa perdiera dinero con ambos


productos, el origen, donde no hay produccin de ninguno, sera entonces lo
ptimo.
Soluciones ptimas alternativas. Es posible que las funciones de beneficios
tengan la misma pendiente que una de las ecuaciones restrictivas. Por ejemplo, si
la funcin objetivo fuera = 8 + 42, representara una serie de lneas paralelas
a CD, como se muestra en la figura 11-4. En este caso hay mltiples soluciones

306

Parte III Programacin matemtica

Figura 11-3

Alternativas de funciones de beneficios = 8X\ + 2X2

Figura 11-4

Mltiples soluciones ptimas = 8Xj + 4Xj

ptimas. Los vrtices C y D son puntos ptimos con beneficio de 64 dlares, pero
tambin lo son todos los puntos sobre la lnea CD de la figura 11-4.
Ms dimensiones. Visualice la extensin del problema de programacin lineal a
tres dimensiones, como se muestra en la figura 11-5. Las restricciones repre-

Captulo 11 Resolucin de problemas de programacin lineal


Figura 11-5

307

Regin factible en tres dimensiones

sentan planos en el espacio tridimensional y la regin factible es un rea tridimensional limitada por estos planos. Los vrtices A, B,... O representan los puntos
donde se intersecan los planos de restriccin. Las funciones de beneficios (que
no se muestran) tambin son planos. Al igual que en el caso de dos dimensiones,
la solucin ptima debe estar en uno de los vrtices factibles.
Aunque no podemos visualizar un problema con cuatro dimensiones o ms, las
ideas bsicas se pueden aplicar por medios algebraicos a problemas con muchas
variables.
RESUMEN

Las soluciones ptimas de un problema de programacin lineal siempre estn en


un vrtice de la regin factible. Pueden existir soluciones ptimas alternativas,
que comprenden vrtices adyacentes (y puntos en la lnea que los une).

Anlisis de sensibilidad para las restricciones


Como se analiz en el captulo 2, la bsqueda de la solucin de un modelo de
decisin es slo el primer paso del anlisis. Tambin es importante que el gerente
comprenda cuan sensible es la solucin a los cambios en las suposiciones y a los
factores exgenos. Esto tambin se aplica a los modelos de programacin lineal,
y una de las caractersticas agradables de los modelos de programacin lineal es
que gran parte de este anlisis de sensibilidad proviene directamente de la solucin
del problema. Primero veremos estos conceptos en forma grfica y despus por
medio de la interpretacin de las salidas de los programas de computacin que se
usan para resolver problemas de programacin lineal.

308

Figura 11-6

Parte III Programacin matemtica

Regin factible para el problema modificado

Ampliemos el problema que hemos usado como ejemplo. Suponga que el


lmite del mercado es la venta de seis unidades del producto B. Ahora la formulacin es:
Maximizar:
Sujeto a:

cuya grfica se presenta en la figura 11-6.

Precios duales
Considere la ecuacin de restriccin para la mquina 1, que especifica un mximo
de 24 horas disponibles. En trminos de la programacin lineal, este lmite de la
capacidad con frecuencia se denomina valor del trmino independiente o segundo miembro de la restriccin (o sencillamente TI). Suponga que puede agregar
una hora para que la restriccin sea

Captulo 11 Resolucin de problemas de programacin lineal


Figura 11-7

309

Anlisis de sensibilidad para la restriccin de la mquina 1

Qu sucede con la solucin?


Este caso se presenta en forma grfica en la figura 11-7. La nueva solucin
ptima se mueve al punto D', con X{ = 5.75 y X2 = 4.5.2 Como la solucin anterior
requera X = 6 y X2 = 4, una hora adicional disponible en la mquina 1 da como
resultado una reduccin de 0.25 unidades de producto A y un aumento de
0.5 unidades de producto B. El cambio neto en la funcin objetivo es, entonces:
-(0.25)$6 + (0.50)$7 = $2
lo cual representa un incremento de dos dlares en el beneficio.3 A esto se le
conoce como precio dual, valor marginal o precio sombra y es el cambio
Esta solucin tambin se puede encontrar resolviendo en forma simultnea las dos ecuaciones, 2X + - 16
y 2X + 3^2 " 25. Observe que no es una solucin entera, pero las X se pueden interpretar como tasas de
produccin.
3
Otra manera de verlo consiste en colocar los nuevos valores en la funcin objetivo 6X + 2, con lo cual se
obtienen beneficios de 66 dlares, en vez de los 64 dlares anteriores (un aumento de dos dlares).
2

310

Figura 11-8

Parte III Programacin matemtica

Anlisis de sensibilidad para la restriccin de la mquina 2

incremental en los beneficios por cambio unitario en el trmino independiente de


una restriccin.
Observe que el precio dual se mantiene para una reduccin en el valor del
trmino independiente. Por ejemplo, si slo hubiera 23 horas disponibles en
la mquina 1, el punto D" de la figura 11-7 sera la solucin ptima (X, = 6.25 y
X2 = 3.5), con una reduccin de dos dlares en el beneficio. Entonces, el precio
dual o valor marginal representa el aumento incremental en el beneficio cuando
una restriccin se ampla en una unidad y una reduccin en el beneficio cuando la
restriccin se estrecha en una unidad.
Se puede aplicar el mismo anlisis a la restriccin de la mquina 2, lo cual se
muestra en la figura 11-8. Cuando la restriccin se ampla agregando una hora,
se convierte en:

Captulo 11 Resolucin de problemas de programacin lineal


Figura 11-9

311

Anlisis de sensibilidad de la demanda de mercado del producto

y el punto ptimo es D* con X = 6.75 y X2 = 3.5. Esto representa un aumento de


0.75 en el nmero de unidades del producto A y una reduccin de 0.5 unidades
del producto B. El efecto neto en el beneficio es:

Una reduccin similar en el trmino independiente (es decir, en el nmero de horas


disponibles) de la restriccin 2 da como resultado una solucin de X} = 5.25 y
X2 = 4.5, y una reduccin de un dolaren el beneficio. Por lo tanto, el precio dual
asociado a la restriccin de la mquina 2 es un dlar.
Considere la tercera restriccin, el lmite de la demanda del producto B:

El aumento de una unidad en este lmite, a X2 < 7, y la reduccin de una unidad,


a X2 < 5, se muestran grficamente en la figura 11-9. Observe que ninguno de los
cambios afecta a la solucin, ya que la restriccin X2 < 6 no es efectiva. La solucin

312

Parte III Programacin matemtica

Figura 11-10 Anlisis de sensibilidad de la restriccin de no negatividad X2 < 0

ptima requera slo cuatro unidades del producto B, por lo cual no importa el
lmite de seis unidades que impone el mercado. Por lo tanto, el precio dual es cero.
De hecho, el precio dual de cualquier restriccin no efectiva siempre es cero.
Costos reducidos: Precios duales para restricciones de no negatividad. Tambin es posible determinar los valores marginales asociados a introducir al menos
una unidad de una variable decisin en la solucin. Recuerde que las restricciones
de no negatividad son
El incluir una unidad en la solucin implica
modificar una restriccin de no negatividad a
Los valores
marginales de hacer esto se denominan costos reducidos.
Considere de nuevo el problema bsico cuya grfica se presenta en la figura
11-9. La solucin ptima requiere Xx = 6 y X2 = 4. Los dos son valores positivos
y, por lo tanto, ninguna de las restricciones de no negatividad es efectiva.
Entonces, el valor marginal (es decir, el costo reducido) asociado a su modificacin es cero, al igual que para las dems restricciones no efectivas.
Suponga ahora que la funcin objetivo es = 10X1 + 3X2, como se muestra en
la figura 11-10. El punto C es la solucin ptima, con Xx = 8 y X2 = 0 y beneficio
de 80 dlares. Observe que X2 = 0, por lo cual la restriccin de no negatividad
X2 < 0 es efectiva. Suponga ahora que debe producirse por lo menos una unidad
del producto B, debido a un compromiso con un cliente, por lo cual se cambia la
restriccin de no negatividad a X2 > 1. Con esto cambia la solucin ptima de
la figura 11-10 a C", con X, = 7.5, X2 = 1 y beneficio de 78 dlares, una reduccin
de dos dlares con respecto al nivel anterior. En este caso el costo reducido o valor
marginal asociado con la restriccin de no negatividad de X2 es de dos dlares, lo
cual representa el costo de conservar al cliente.

Captulo 11 Resolucin de problemas de programacin lineal

313

Utilizacin de precios duales. Los precios duales tienen muchas aplicaciones


empresariales. Aunque en el mundo existen restricciones y limitaciones, la mayora de ellas no son absolutas. Por ejemplo, el gerente que formul el problema
de programacin lineal determin las horas disponibles en cada una de las
mquinas en circunstancias normales, pero podra obtener horas adicionales con
trabajo en tiempo extra, comprando equipo adicional o reprogramando otras
actividades. Los precios duales indican si vale la pena hacerlo y con qu margen,
y as ayudan a identificar los cuellos de botella clave. En nuestro ejemplo, el
gerente sabe que vale el doble (dos dlares en lugar de uno) obtener horas
adicionales para la mquina 1 que para la mquina 2.

RESUMEN

Un precio dual representa el valor marginal asociado con un cambio unitario en


el trmino independiente de una restriccin. Un costo reducido representa el valor
marginal de introducir en la solucin una unidad de una variable de decisin. Los
costos reducidos se pueden considerar como precios duales de las restricciones
de no negatividad. Si una restriccin no es efectiva, su precio dual es cero.

Intervalos de variacin del trmino independiente


Los precios duales proporcionan el valor marginal de la realizacin de un cambio
pequeo en el lmite de una restriccin (es decir, el valor del trmino independiente), pero sera un error creer que estos valores seran los mismos si la
capacidad se cambiara en forma arbitraria. Se llega a un punto en el cual
la capacidad adicional es excesiva y no tiene valor; por lo tanto, hay lmites con
respecto al intervalo de capacidad en el cual se mantienen los valores marginales.
Considere de nuevo la restriccin de 24 horas disponibles para la mquina 1.
La figura 11-11 muestra lo que sucede al aadir horas. Recuerde que en la pgina
309 se mencion que cada hora adicional daba como resultado una reduccin de
0.25 unidades del producto A y un aumento de 0.5 unidades del producto B. El
precio dual asociado con cada hora de variacin era de dos dlares. Con 28 horas
disponibles, la solucin ptima pasa de D a J. En J, la solucin ptima es XY = 5
y X2 = 6. Las horas adicionales en la mquina 1 no tendrn efecto ms all de este
punto, ya que la restriccin X2 = 6 ahora es efectiva. Con las dems restricciones
del problema, la cantidad de 28 horas en la mquina 1 es la mxima que puede
usarse de manera rentable. Entonces, este incremento de cuatro horas, para llegar
a 28 horas disponibles, representa el lmite superior del intervalo en el cual es
vlido el precio dual de dos dlares.
De manera anloga, al reducir las horas disponibles de la mquina 1, la solucin
ptima se desplaza hasta el punto C de la figura 11-11, donde se usan 16 horas
del tiempo de mquina. Al reducir las horas, disminuye el beneficio por aumentar
el nmero de unidades del producto A y por reducir el nmero de unidades del
producto B, pero al llegar al punto C no se producen unidades de B, por lo cual
ya no es posible este proceso de sustitucin. Entonces, el lmite inferior del
intervalo del precio dual de dos dlares para el tiempo de la mquina 1 es una
reduccin de ocho horas (de 24 a 16).

314

Parte III Programacin matemtica

Figura 11-11 Intervalo de la restriccin de la mquina 1

Se puede efectuar un anlisis similar para la mquina 2; la figura 11-12 presenta


los lmites. Al aadir horas a las 16 disponibles, la solucin ptima se desplaza
de D a B. En este punto, se han agregado ocho horas (de 16 a 24) y las horas
Figura 11-12 Intervalo de la restriccin de la mquina 2

Captulo 11

315

Resolucin de problemas de programacin lineal

adicionales ya no aadirn valor. Si se reducen en cuatro las horas disponibles (de


16 a 12), la solucin ptima pasa de D a H. Entonces, el precio dual de un dlar
se mantiene en el intervalo de 12 a 24 horas disponibles en la mquina 2.
La restriccin de la demanda del mercado para el producto B,
es un
poco diferente. Recuerde que esta restriccin no es efectiva y tiene precio dual de
cero. La solucin ptima requiere slo cuatro unidades del producto B, por lo cual
se puede aumentar indefinidamente el lmite de la demanda sin que tenga efecto;
no importara si la restriccin fuera
Por otra parte, si el lmite
de la demanda fuera cuatro unidades, de manera que la restriccin fuera
sera efectiva. Cualquier reduccin por debajo de este lmite de cuatro unidades
reducira el beneficio. Entonces, el intervalo del lmite de la demanda (es decir,
el trmino independiente) de la tercera restriccin es de cuatro unidades a infinito
y dentro de este intervalo se mantiene el precio dual de cero.
El anlisis de sensibilidad ha producido los siguientes intervalos para los
valores del trmino independiente de las tres restricciones:

RESUMEN

Restriccin

Lmite
actual

Precio
dual

Aumento
permitido

Reducci
n
permitida

Horas de la mquina 1
Horas de la mquina 2
Demanda del producto

24
16
6

$2
$1
0

4
8
Infinito

8
4
2

Los precios duales expresan el valor marginal del cambio del trmino independiente de una restriccin, pero estos valores slo se mantienen en ciertos intervalos.

Anlisis de sensibilidad: Evaluacin de nuevos productos


Los precios duales pueden servir para identificar cuellos de botella o restricciones
costosas, que se pueden modificar de manera rentable. Los precios duales tambin
pueden ser tiles para evaluar productos nuevos. Considere una ampliacin de
nuestro ejemplo. El departamento de investigacin y desarrollo de la compaa
ha creado un producto, C. Es muy rentable (10 dlares por unidad) pero requiere
cuatro horas en la mquina 1 y tres horas en la mquina 2. Deben producirse
unidades del producto C?
Por supuesto, se podra formular de nuevo todo el problema de programacin
lineal para aadir este producto nuevo, pero se puede obtener una respuesta rpida
con los precios duales. La produccin del producto C requerir la reduccin de
las cantidades de los otros dos productos, ya que todos compiten por el tiempo
disponible en las dos mquinas. Recuerde que los precios duales implican que
una hora de la mquina 1 vale dos dlares y una hora de la mquina 2 vale un

Parte III Programacin matemtica

316

dlar. Una unidad del producto C requiere cuatro y tres horas en las dos mquinas,
respectivamente. Entonces, el costo de oportunidad de una unidad del producto C es:
[(Precio dual de las horas de la mquina 1) (Horas requeridas en la mquina 1)] +
[(Precio dual de las horas de la mquina 2) (Horas requeridas en la mquina 2)]
o sea
Esto representa el costo de prdida de oportunidad de la produccin de A y B. El
beneficio del producto C es slo de 10 dlares, por lo cual no debe producirse, ya
que el costo de oportunidad excede el beneficio unitario.
Otro
ejemplo

La misma empresa tiene otro artculo, el producto D, que requiere una hora en
cada una de las mquinas y produce un beneficio unitario de cinco dlares. Debe
producirse?
El costo de oportunidad de este producto es

como el beneficio de cinco dlares por unidad excede el costo de oportunidad de


tres dlares, hay que producir algunas unidades del producto D.
Este anlisis no indica cuntas unidades del producto D se deben fabricar; slo
indica que debe incluirse en la combinacin de productos. El gerente formulara
de nuevo el problema de programacin lineal para incluir otra variable de decisin
para el producto D y luego resolvera de nuevo el problema.

RESUMEN

El costo de oportunidad de un producto nuevo se calcula como la suma de


(Precio dual) (Unidades requeridas)
para todas las restricciones afectadas. Si el costo de oportunidad es menor que el
beneficio por unidad del nuevo producto, entonces ste es rentable y debe incluirse
en la solucin ptima. Si el costo de oportunidad es mayor que el beneficio por
unidad, entonces no debe fabricarse el producto.

Anlisis de sensibilidad: Coeficientes de la funcin objetivo


Un gerente puede interesarse por lo que puede suceder con la solucin de un
problema de programacin lineal si cambia uno de los coeficientes de la funcin
objetivo, por ejemplo, debido a un aumento en el precio de la materia prima. Se
puede efectuar un anlisis grfico similar al que se hizo para los cambios en los
coeficientes del trmino independiente.
Suponga que el beneficio por unidad del producto A permanece fijo, en seis
dlares, pero que el beneficio por unidad de B, que se espera sea siete dlares
puede cambiar. La figura 11-13 muestra las funciones de beneficios si el beneficio

Captulo 11 Resolucin de problemas de programacin lineal

317

por unidad del producto aumenta a ocho dlares, nueve dlares y luego a diez.
Cuando el coeficiente de X2 en la funcin objetivo es $8 (es decir, beneficio de
ocho dlares por unidad del producto B), la funcin de beneficio es = 6XX + SX2
y el punto D es an la solucin ptima. Si el coeficiente de X2 aumenta a $9,
la pendiente de la funcin de beneficio es idntica a la pendiente de la restriccin
de la mquina 1 y cae exactamente sobre la lnea de restriccin. Por lo tanto hay
varias soluciones ptimas alternativas (vase pg. 305) y tanto D como son
vrtices ptimos. Suponga que el coeficiente de X2 aumenta ms, hasta 10 dlares
por unidad, de manera que la funcin de beneficio es = 6X + 10X2, como
se muestra en la figura 11-13. Observe que en la regin factible hay puntos
por encima de la lnea (es decir, con mayores beneficios), por lo cual el punto D
ya no es el ptimo. Ahora el punto es la nica solucin ptima. En otras
palabras, si el coeficiente de X2 excede nueve dlares, el punto ptimo pasa del
punto D al H.
El anlisis es el mismo si se reduce el coeficiente de X2. La figura 11-14 muestra
la funcin de beneficio para valores de $5, $3 y $1 del coeficiente de X2. Con un
coeficiente de 3, la funcin de beneficio es = 6XX + 3X2, la funcin de beneficio
coincide con la restriccin de la mquina 2 y los puntos C y D son ptimos. Si el
coeficiente se reduce ms, a 1, el punto ptimo se desplaza a C.
Se puede aplicar el mismo anlisis para los beneficios de A, manteniendo
constante el coeficiente de X2 y modificando el de Xx. Aunque no se muestra el
anlisis grfico, los resultados indican que el coeficiente de X] puede disminuir
de 6 a 4.67 antes de que el punto ptimo cambie a H. Por otra parte, el coeficiente
puede aumentar de 6 a 14 antes de que el punto ptimo se desplace a C.4 Estos
resultados se pueden resumir como sigue:
Intervalos de los coeficientes de la funcin
objetivo (intervalo en el cual no cambia la
solucin ptima bsica)
Variable

Coeficiente
actual

Aumento
permitido

Reduccin
permitida

Producto A
Producto

6
7

8
2

1.33
4

Intervalos del trmino independiente e intervalos de los coeficientes de la funcin


objetivo. Conceptualmente, los intervalos del anlisis de sensibilidad son similares para los coeficientes de la funcin objetivo que se desarrollaron previamente
y los correspondientes a los coeficientes del trmino independiente. Sin embargo,
existen diferencias importantes.
La solucin ptima no cambia en el intervalo que se especifica para los
coeficientes de la funcin objetivo; es decir, la empresa debe producir seis
4

En realidad no es necesario el anlisis de X ya que lo nico que importa es la pendiente de la funcin de


beneficio, la cual se determina con la razn de los dos coeficientes. Si la razn (coeficiente de X )/(coeficiente
de X-i) est entre % y 2.0, el punto ptimo es D. Si la razn baja de 2h, el punto ptimo se desplaza a H; por
encima de 2.0, es C.

318

Parte III Programacin matemtica

Figura 11-13 Anlisis de sensibilidad: Aumento en el beneficio por unidad del producto

unidades del producto A y cuatro unidades del producto B. Fuera del intervalo, la
solucin ptima cambia abruptamente a otro vrtice. Por supuesto, los beneficios
totales varan de acuerdo con los cambios en los coeficientes, pero, una vez ms,
la solucin no vara dentro de los intervalos.
Por otra parte, en los intervalos del trmino independiente la solucin cambia,
ya que el punto ptimo se desplaza sobre una de las lneas de restriccin. En
nuestro ejemplo se producen diferentes cantidades de los productos A y al
moverse el punto ptimo. Al llegar al lmite del intervalo, un nuevo vrtice se
convierte en la solucin ptima.5

RESUMEN

Los intervalos, tanto para los coeficiente del trmino independiente como para los
de la funcin objetivo, proporcionan informacin importante en la interpretacin de la solucin de un programa lineal. Los intervalos del trmino independiente determinan los lmites dentro de los cuales se mantiene el precio dual para
cada restriccin. Los intervalos de los coeficientes de la funcin objetivo determinan los lmites dentro de los cuales la solucin es la misma.

Minimizacin
Hasta ahora nuestro ejemplo ha supuesto la maximizacin de la funcin objetivo.
La minimizacin es similar.
5

En trminos de la formulacin algebraica que se analizar dentro de poco, las variables bsicas permanecen sin
cambio dentro del intervalo. El conjunto de variables bsicas cambia en el lmite.

Captulo 11 Resolucin de problemas de programacin lineal

319

Figura 11-14 Anlisis de sensibilidad: Reduccin del beneficio por unidad del producto

Ejemplo

Una compaa tiene dos talleres. Las variables de decisin son el nmero de horas
por semana que opera cada uno. El primer taller puede operar un mximo de
40 horas y el segundo un mximo de 60 por semana. Cada hora de produccin en
el primer taller da como resultado tres toneladas de producto terminado; cada
hora en el segundo taller produce cuatro toneladas de producto terminado. La
compaa tiene compromisos con los clientes para vender por lo menos 175
toneladas de producto terminado. La hora de operacin del primer taller cuesta
20 000 dlares, mientras que para el segundo taller el costo por hora es de 40 000
dlares. La compaa quiere mantener los costos en lo mnimo posible. Por
razones de poltica, la compaa quiere operar al menos el mismo nmero de horas
en el segundo taller que en el primero. La formulacin del programa lineal es:
Sea: X( = Horas semanales en el primer taller X2
= Horas semanales en el segundo taller
Funcin objetivo:
Minimizar:
Sujeto a:

(miles de dlares)
(mximo del taller)
(mximo del taller)
(requerimientos de los clientes; toneladas)
(requisito de poltica)
(restricciones de no negatividad)

320

Parte III Programacin matemtica


El grfico de la solucin se presenta en la figura 11-15, con la regin factible
sombreada. Las funciones de costo se presentan en color. Como se busca un valor
mnimo, las lneas preferidas (con costo menor) estn debajo. El vrtice ptimo
est en X! = 25, X2 = 25, donde cada taller opera 25 horas por semana, con un
costo de 1.5 millones de dlares.
C*>serve que los conceptos bsicos de la regin factible, los vrtices y la
solucin ptima son los mismos que para el caso de la maximizacin. Las ideas
bsicas del anlisis de sensibilidad y los intervalos son tambin parecidos y se
presentarn para este ejemplo en una seccin posterior del captulo, cuando
se hable de la interpretacin de las salidas de los computadores.

Mtodo algebraico
En el captulo 10 se consider la formulacin de los problemas de programacin
lineal en trminos algebraicos. En esta seccin se ampliar el mtodo algebraico
para demostrar algunos de los conceptos importantes de la programacin lineal.
Considere el problema de maximizacin original que se resolvi al principio de
este captulo. Recuerde que se tena:
Maximizar:
Sujeto a:

El primer paso de nuestro procedimiento algebraico es convertir las expresiones de desigualdad del problema en igualdades. Esto se logra con la adicin de
dos variables, X3 y X4, llamadas variables de holgura. Las variables de holgura
representan la capacidad no utilizada de la primera y la segunda restricciones,
respectivamente. As, X3 es el nmero de horas de capacidad no usadas de la
mquina 1, y X4 es el nmero de horas no utilizadas de la mquina 2. Siempre es
posible convertir las desigualdades en igualdades, ya que debe existir una cantidad, la capacidad no utilizada X3, que al sumarse a (2X] + 3X3) sea igual a 24 (X3
puede ser mayor o igual que cero).
Las restricciones del problema se escriben ahora como:

La funcin objetivo es ahora:


Maximizar: = 6X, + 7X2 + 0X3 + 0X4
Las variables de holgura no representan beneficios, por lo cual sus coeficientes
en la ecuacin de beneficio son cero.

Captulo 11 Resolucin de problemas de programacin lineal

321

Figura 11-15 Anlisis grfico del problema de minimizacin

Los valores de Xu X2, X3 y Xj que satisfacen las ecuaciones de restriccin son


una solucin factible para el problema de programacin lineal. El rea sombreada
de la figura 11-16 contiene todas las soluciones factibles, como se vio antes en
este captulo.
En el problema general de programacin lineal hay m ecuaciones de restriccin.
Despus de aadir las variables de holgura, hay ms de m variables. Usted
recordar, de sus cursos de lgebra, que se puede encontrar una solucin nica
para un conjunto de m ecuaciones lineales si hay exactamente m variables
desconocidas; sin embargo, con ms de m variables, como en el caso de la
programacin lineal, no existe una solucin nica.
Suponga que se seleccionan arbitrariamente m variables y a las dems se les
asigna el valor cero, para luego resolver las m ecuaciones para las m variables
seleccionadas y obtener una solucin. A esta solucin se le llama solucin bsica.
Las variables seleccionadas son las variables de solucin bsica o, simplemente,
la base. Las variables a las cuales se asigna el valor cero son las variables
externas o variables no bsicas.
En el ejemplo anterior hay cuatro variables desconocidas y dos ecuaciones de
restriccin.6 Para encontrar una solucin bsica se seleccionan dos variables

Para este fin no se consideran las restricciones de no negatividad.

322

Parte III Programacin matemtica

Figura 11-16 Soluciones bsicas

cualesquiera y se asigna cero a las otras dos. Suponga que se seleccionan Xi y X3


como variables bsicas y se asigna X2 = X4 = 0. Las ecuaciones son entonces:

o sea

La solucin es Xx = 8, X3 = 8 (recuerde que X2 = X4 = 0). Lo anterior es una


solucin bsica del ejemplo de programacin lineal. Las otras soluciones bsicas
se obtienen en forma similar y se presentan en la tabla 11-1. Observe que algunas
de las soluciones requieren valores negativos para una de las variables. Estas
soluciones bsicas no son factibles, ya que un problema de programacin lineal
no permite que ninguna variable tenga valor negativo.

Captulo 11 Resolucin de problemas de programacin lineal

Tabla 11-1

323

Soluciones bsicas

Cada una de las soluciones bsicas corresponde a una interseccin de pares de


lneas de la figura 11-16. Los puntos A, C, D y corresponden a los vrtices de la
regin factible, los puntos y F son soluciones no factibles. Por lo tanto, las
soluciones factibles bsicas corresponden a los vrtices de la regin factible. En
una seccin anterior del captulo se vio que la solucin ptima de un problema de
programacin lineal debe ser un vrtice. Adems, la solucin ptima debe ser una
solucin bsica factible.
En este problema sencillo se puede encontrar la solucin ptima presentando
todas las soluciones bsicas, eliminando las que no son factibles, calculando el
beneficio de cada una y seleccionando el mejor, como se hizo en la tabla 11-1.
Sin embargo, un problema empresarial de tamao regular puede tener miles o
millones de soluciones bsicas factibles y este procedimiento no sera eficiente.
En cambio, se usa el mtodo simplex que se describe en el siguiente captulo.
El mtodo algebraico que aqu se presenta es la base para las salidas de los
programas de computacin que resuelven problemas de programacin lineal. Hay
dos puntos importantes que se deben recalcar. El primero es que se aaden
variables de holgura a la formulacin para representar la capacidad no utilizada
de un recurso. Si una restriccin es del tipo mayor o igual, como la que se us
para representar las exigencias de los clientes en el ejemplo de la pgina 319:

entonces se agrega una variable de excedente, digamos X}, para que

o sea

donde X} representa la cantidad (en toneladas) que excede los requerimientos de


los clientes. Estas variables de holgura y de excedentes son importantes para
interpretar las soluciones de programacin lineal.

324

Parte III Programacin matemtica

El otro punto es que el nmero de variables de una solucin bsica (y por lo


tanto de la solucin ptima) es igual al nmero de restricciones del problema de
programacin lineal (sin contar las restricciones de no negatividad).

Solucin por computador de problemas de programacin lineal


Existen programas de computacin disponibles para la resolucin de problemas
de programacin lineal, no slo en computadores grandes, sino tambin en
computadores personales. Un problema de gran magnitud, que comprende miles
de variables y restricciones, necesita el poder de un computador grande. No
obstante, los problemas como los ejercicios de este libro y los problemas reales
de tamao regular se pueden resolver eficazmente con un computador personal.
El mtodo simplex se describe en el captulo 12 y es la tcnica que usan estos
programas de computacin, aunque por lo general se aplican modificaciones y
refinamientos para que los programas sean ms precisos y eficientes. Hace poco,
el doctor N. Karmarkar, de Bell Laboratories, anunci un nuevo mtodo para la
resolucin de problemas de programacin lineal. Aunque parece que esta nueva
tcnica tiene mucho potencial, an no se sabe cul ser su difusin. En cualquier
caso, los conceptos que se analizan en este captulo (soluciones bsicas, interpretacin de precios duales, anlisis de sensibilidad y anlisis paramtrico) son
importantes, cualquiera que sea el procedimiento de solucin.
La tabla 11-2 es una muestra de las salidas de computador correspondientes a
la solucin de nuestro problema ejemplo, generadas por el programa LINDO
(Linear INteractive Discreta Optimizer, optimizador discreto lineal interactivo).7
Las variables de decisin pueden recibir nombres abreviados; en esta muestra,
son PRODA y PRODB, para las unidades de los productos A y B, respectivamente.
La formulacin de las entradas para el computador es casi idntica a la que se us
en este captulo. En la tabla 11-2 se presenta la solucin y se hacen algunos
comentarios al respecto. Observe que la salida incluye, adems de la solucin, el
costo reducido para cada variable, los precios duales de las restricciones y los
intervalos para los coeficientes de la funcin objetivo y los valores del trmino
independiente.
LINDO es un paquete de software, barato y fcil de conseguir que sirve para
resolver problemas de programacin lineal. Est disponible para computadores
personales Macintosh y compatibles con IBM y para computadores centrales.
Otro
ejemplo

Considere el ejemplo de la pgina 319 de este captulo, relacionado con una


compaa que trataba de minimizar el costo operativo de dos talleres y de
cumplir al mismo tiempo con los requisitos de los clientes. En la tabla 11-3 se
muestran la formulacin y la solucin LINDO. Las variables TALLER 1 y TALLER2 se refieren a las horas semanales en el primer taller y en el segundo,
respectivamente.

Linus Schrage, Users Manual for LINDO, Palo Alto, Calif., The Scientific Press, 1984.

326

Parte III Programacin matemtica

Usaremos este ejemplo para repasar algunos de los aspectos que se destacaron
en este captulo. En primer lugar, observe que hay cuatro restricciones, por lo que
debe haber cuatro variables bsicas en la solucin. De hecho, all estn: TALLER 1
y TALLER2, cada una con valor 25, y adems 15 y 35 horas de holgura en las
restricciones de las capacidades de cada taller (renglones 2 y 3). En segundo lugar,
observe el precio dual (-$8.57) de la restriccin que requiere la produccin de
175 toneladas para satisfacer las exigencias del cliente. ste es el costo marginal
de la produccin de una tonelada adicional; la produccin de 176 toneladas
costara 8570 dlares ms que el costo de produccin de 175 toneladas. Observe
tambin que este costo marginal se mantiene desde la exigencia actual de 175
toneladas hasta 105 toneladas adicionales, para un total de 280 toneladas (vanse
los intervalos del trmino independiente de la tabla 11-3).

Programacin lineal en paquetes de hoja de clculo


Adems de los programas de computacin independientes como LINDO, en aos
recientes ha aparecido la posibilidad de resolucin de programas lineales en
paquetes de hoja de clculo, ya sea como complemento externo o como parte del
programa. What's Best8 es un programa que se agrega a Lotus 1-2-3, Excel u
otros programas de hoja de clculo. En fechas recientes, Quattro Pro9 y una
nueva versin de Lotus10, Lotus 1-2-3/G, han incluido la capacidad para resolver
problemas de programacin lineal con un mandato dentro del programa de hoja
de clculo. En estos casos el modelo de programacin lineal se incorpora a la
hoja de clculo y despus se optimiza. Los programas ofrecen la mayor parte de
la informacin de anlisis de sensibilidad (precios duales, costos reducidos,
etctera) que ofrece LINDO." Se ha difundido mucho el uso de los paquetes de
hoja de clculo y son fciles de usar, por lo cual es probable que esta tendencia
permita usar ms la programacin lineal en las aplicaciones.

RESUMEN

Los paquetes de computacin como LINDO no slo proporcionan la solucin de


problemas de programacin lineal, sino adems otra informacin de anlisis
de sensibilidad til para la toma de decisiones empresariales.

Programacin paramtrica
El anlisis de sensibilidad del trmino independiente permite la definicin de un
intervalo de valores de la solucin ptima en el cual no cambian los precios duales.
En ocasiones es de inters examinar las variaciones en la solucin de progra8

Sam L. Savage, Whal's Best, Oakland, Calif., Holden-Day, 1986.


Borland International, Quattro Pro, Scotts Valley, Calif., Borland, 1989.
10
Lotus Developinent Corp., Lotus 1-2-3/G, Cambridge, Mass., Lotus, 1990.
1
' De hecho, What's Best utiliza una versin de LINDO para resolver el problema de programacin lineal.

Captulo 11 Resolucin de problemas de programacin lineal

Tabla 11-3

327

Resultado de LINDO para el segundo ejemplo

macin lineal si cambia un factor en un extenso intervalo de valores.12 A este tipo


de anlisis se le conoce como programacin paramtrica.
Un ejemplo ayudar a comprender el concepto. Considere el siguiente problema:

12

En este captulo slo nos interesa la variacin de una variable cada vez. Esta tcnica se. puede ampliar para
considerar los cambios de diversas variables al mismo tiempo, en proporciones fijas entre s. Vase Harvey M.
Wagner, Principies of Operations Research, edicin revisada, Englewood Cliffs, N. J., Prentice Hall, 1975.

328

Parte III Programacin matemtica

Figura 11-17

Maximizar:
Sujeto a:

Suponga que las dos primeras restricciones representan el tiempo de utilizacin


de las mquinas 1 y 2, respectivamente, para producir las unidades de los
productos y X2. La tercera restriccin indica que no se pueden vender ms de
tres unidades del producto X2. Este conjunto de restricciones se muestra en forma
grfica en la figura 11-17; el rea sombreada representa la regin factible.
Suponga que se tiene una restriccin adicional para el capital de trabajo, en la
cual Xl y X2 requieren un dlar de capital de trabajo por unidad:
+ X2 <

Lo anterior establece que la cantidad total de capital de trabajo debe ser menor
que una cantidad no especificada, K. Nos interesa conocer cmo cambia la
solucin del problema al variar de cero en adelante.
Si = 0, la nica solucin es no producir nada y = X2 = 0. Si aumenta a 1,
el primer dlar de capital de trabajo se usa para producir una unidad de X2, porque
ste es el producto ms rentable. Entonces, en esta etapa, cada unidad de (es
decir, cada dlar de capital de trabajo) produce ocho dlares de beneficio. Esta
condicin se mantiene hasta llegar a la situacin que se presenta en la figura 11-18.
En la figura 11-18 hay tres unidades de disponibles y todas se usan para
producir unidades de X2. Sin embargo, en este punto la restriccin de mercado
(X2 < 3) es efectiva y ya no pueden producirse ms unidades de X2. Las unidades

Captulo 11 Resolucin de problemas de programacin lineal

329

Figura 1118

adicionales de capital de trabajo se aplican entonces a la produccin de unidades


de Xx. Por lo tanto, en esta etapa cada dlar de capital de trabajo tiene un valor
marginal de cinco dlares, el beneficio por la venta de una unidad de Xt. Esta
condicin se mantiene hasta llegar a la situacin que se ilustra en la figura 11-19.
En la figura 11-19, la restriccin del tiempo disponible en la mquina 2 tambin
es efectiva, al llegar a seis unidades de K. Ms all de este punto, el beneficio slo
puede aumentar avanzando por la lnea Xx + 3X2 = 12, la ecuacin de la restriccin
de la mquina 2. Esto quiere decir que por cada reduccin de una unidad de X2 se
pueden producir tres unidades deXl. El valor marginal de se reduce ahora a 3.50
dlares. Para verlo, observe que la sustitucin de una unidad de X2 con tres
unidades de Xj produce beneficios adicionales de siete dlares, tres veces el
beneficio de cinco dlares de Xr menos el beneficio de ocho dlares de X2.
Observe tambin que para esto se requieren dos unidades de capital de trabajo:
tres para la nueva X menos la unidad que se redujo de X2. Entonces, el valor
marginal de es 7/2 dlares, o 3.50 dlares.
Por ltimo se llega a la situacin que se describe en la figura 11-20. Aqu las
restricciones del tiempo de las dos mquinas son efectivas. Si se aumenta el capital
de trabajo por encima de este punto no hay efecto sobre la solucin. El valor
marginal de en este punto se convierte en cero.
Los efectos de los cambios en el valor de se resumen en la figura 11-21. Al
aumentar se reduce el valor marginal de las unidades adicionales de capital de
trabajo en una serie de pasos, como se indic antes. La produccin de X2 primero
aumenta y luego cae; la produccin inicial de es cero, pero despus se eleva a
un nivel de seis unidades.

330

Parte III Programacin matemtica

Figura 11-19

Un anlisis de este tipo sera importante para una empresa que quiere decidir
cunto capital de trabajo invertir en esta operacin de produccin. Es obvio que
no invertira ms de ocho dlares. Sin embargo, podra invertir menos si tuviera
alternativas ms rentables para sus fondos. Por ejemplo, si pudiera usar el capital
de trabajo en otro lugar que rindiera cuatro dlares por unidad, entonces no
invertira ms de seis unidades en esta operacin. Si pudiera obtener un rendimiento de seis dlares por unidad en otra parte, no empleara ms de tres unidades
en esta operacin.
Al construir un modelo de programacin lineal de sistemas empresariales
muchas veces se detecta que una operacin es una restriccin efectiva, un cuello
de botella. La gerencia puede aadir capacidad, pero surge la pregunta: cunta
capacidad adicional debe obtenerse? La programacin paramtrica puede servir
para obtener una respuesta parcial a la pregunta, y muestra cules seran los
ingresos o ahorros adicionales que se obtendran de la adicin de distintas
cantidades de capacidad y, al determinar los costos de la adicin de esta capacidad,
se puede obtener la respuesta.
El anlisis paramtrico tambin puede aplicarse a la funcin objetivo para
estudiar el efecto de los cambios en el precio de un producto o en el costo de una
materia prima.
RESUMEN

El anlisis de programacin paramtrica indica los cambios en una solucin de


programacin lineal al variar un factor en un intervalo. Cuando se aplica a una
restriccin de recurso, proporciona informacin acerca de los cambios en la
capacidad. Si se aplica a un coeficiente de la funcin objetivo, muestra los efectos
de las variaciones en los precios o costos. Muchos programas de computacin de

Captulo 11 Resolucin de problemas de programacin lineal

Figura 11-20

Figura 11-21

331

332

Parte III Programacin matemtica

programacin lineal ejecutarn automticamente el anlisis de sensibilidad y


permitirn que el usuario lleve a cabo el anlisis paramtrico de la programacin
de manera rpida y fcil.
Ejemplo
integral

Consideremos un ejemplo integral para repasar los conceptos de programacin


lineal que se presentaron en este captulo. La compaa Lazy Life of Leisure
(LLL) produce muebles para jardn. La empresa tiene tres productos: sillones,
sillas y mesas. Requiere 60 minutos de trabajo para producir un silln, 30 para
una silla y 90 para una mesa. Necesita adems 6 unidades de madera para un silln,
6 para una silla y 12 para una mesa. LLL dispone de 9000 minutos de trabajo y
de 600 unidades de madera y puede vender todas las sillas y mesas que produzca.
Sin embargo, no puede vender ms de 50 sillones. LLL obtiene beneficios de 60
dlares por cada silln, 40 dlares por silla y 80 dlares por mesa. La formulacin
LINDO y la solucin para este caso se muestran en la tabla 11-4. Los comentarios
de la tabla describen la solucin, las conclusiones del anlisis de sensibilidad y el
anlisis paramtrico.
Una caracterstica interesante de esta solucin es que existe una solucin
ptima alternativa. Revise la pgina 305 y la figura 11-4 para ver el significado
de esta situacin. Se puede ver en la salida de programacin lineal que existe otra
solucin porque una de las variables de decisin, MESAS, tiene valor de cero en
la solucin y adems un costo reducido de cero.13 Esto quiere decir que se pueden
incorporar algunas mesas a la solucin sin afectar el beneficio. A partir de la
solucin de programacin lineal no se puede determinar cul es la solucin bsica
alternativa, pero se sabe que existe.
Suponga que LLL considerara otro producto, por ejemplo, COLUMPIOS.
Cada COLUMPIO requiere 200 minutos de trabajo y nueve unidades de madera
y genera beneficio de 100 dlares. Deben producirse COLUMPIOS? El costo de
oportunidad asociado con un COLUMPIO es:
(precio dual del trabajo) . (trabajo requerido) +
(precio dual de la madera) (madera requerida) =
0x200 +6.67x9 = $60
Como el beneficio de 100 dlares excede esta cifra, deben producirse COLUMPIOS. Se tendra que formular de nuevo el problema y luego resolverlo para saber
exactamente cuntos COLUMPIOS hay que producir.
Otra caracterstica que se muestra en la tabla 11-4 es el anlisis paramtrico.
Observe que la restriccin de la cantidad de madera disponible (600 unidades) era
efectiva y que el precio dual era de 6.67 dlares por unidad. Suponga que LLL
puede conseguir madera adicional. Cunta deben comprar? El anlisis paramtrico est diseado para responder a esta pregunta. Especficamente, suponga que
se pueden comprar 1000 unidades en 5000 dlares. Deben comprarse?

13

Los indicadores de una solucin ptima alternativa son:


Una variable de decisin tiene valor cero y el costo reducido tambin es cero, o
Una variable de holgura o excedente tiene valor cero (la restriccin es limitante) y el precio dual es cero.

Captulo 11 Resolucin de problemas de programacin lineal

333

Observe que las primeras 900 unidades adicionales (de 600 a 1500) tienen
precio dual de 6.67 dlares y que las 100 unidades siguientes tienen valor (precio
dual) de 3.33. Por lo tanto, el valor total de las 1000 unidades es (900 $6.67) +
(100 x $3.33) = $6333. Como esta cifra es mayor que el costo de 5000 dlares,
hay que comprar la madera.
RESUMEN

Este captulo present las ideas bsicas de la solucin de problemas de programacin lineal, primero en forma de soluciones grficas y luego como resultados
de programas de computacin.
La solucin ptima de un problema de programacin lineal es un vrtice de la
regin factible, el cual corresponde, en trminos algebraicos, a una solucin
bsica factible que contiene m variables bsicas (donde m es el nmero de
restricciones).
El anlisis de sensibilidad de las restricciones implica primero encontrar
el precio dual, valor marginal de un cambio unitario en el trmino independiente
de la restriccin, y despus encontrar el intervalo de valores en el cual se mantiene
el precio dual (los intervalos del trmino independiente).
El costo reducido es un valor marginal anlogo, asociado a la introduccin de
una unidad de una variable de decisin en la solucin ptima.
Los intervalos de coeficientes de la funcin objetivo proporcionan anlisis de
sensibilidad adicionales. Estos intervalos indican los cambios en los coeficientes
de la funcin objetivo que no alteran la solucin ptima.
El anlisis paramtrico examina los cambios en la solucin y en el precio dual al
variar el trmino independiente de una restriccin dentro de un intervalo amplio.
Hay varios programas de computacin para la resolucin de problemas de
programacin lineal, incluyendo algunos existentes dentro de hojas de clculo. El
paquete LINDO se presenta como ejemplo en este captulo, pero las salidas de
otros programas son semejantes.
Los tres captulos siguientes continan con el tema de la programacin lineal.
El captulo 12 presenta los detalles del mtodo simplex para la resolucin de
problemas de programacin lineal. El captulo 13 considera temas especiales y el
captulo 14 abarca la programacin entera, en la cual las variables de decisin
slo pueden asumir valores enteros.

Apndice:

Interpretacin de resultados de LINDO


En varios de los ejercicios de este captulo se utilizan las salidas del programa
LINDO. Aunque es bastante fcil la interpretacin de los resultados, es til
explicar algunos aspectos con mayor detenimiento.

Convencin de signos en LINDO


Un aspecto de LINDO que tiende a confundir a los usuarios es la convencin que
se usa para los signos (positivo o negativo) de los precios duales y de los costos
reducidos. Por regla general, se considera que hacer ms estricta una restriccin

336

Parte III Programacin matemtica

es daino (es decir, reduce los beneficios o aumenta los costos), mientras que la
ampliacin de una restriccin ayuda (aumenta los beneficios o reduce los costos).
En el caso de las restricciones de igualdad, a veces no queda claro si la restriccin
se hace ms estricta o ms holgada. La siguiente tabla debe servir para su
interpretacin.

Signo del
precio dual

Maximizacin o
minimizacin

Efecto del aumento de una unidad


en el valor del trmino independiente

+
+
-

Maximizacin
Maximizacin
Minimizacin
Minimizacin

Aumento en los beneficios


Reduccin en los beneficios
Reduccin en los costos
Aumento en los costos

Los costos reducidos tienen valor de cero o son positivos. En la minimizacin, el


efecto de incluir una unidad en la solucin es el aumento de los costos; en la
maximizacin es la reduccin del beneficio.

Degeneracin
Recuerde que en la formulacin algebraica de este captulo se mencion que, en
un problema de programacin lineal con m restricciones, la solucin bsica tendr
exactamente m variables bsicas o de solucin. En las salidas de LINDO se pueden
determinar las bsicas con slo identificar las variables de decisin o las variables
de holgura o excedentes que sean distintas de cero. En ocasiones (de hecho, con
frecuencia en problemas de programacin lineal de gran magnitud) sucede que
hay menos de m variables distintas de cero en la solucin ptima. Esto quiere
decir que por lo menos una de las variables bsicas es cero, situacin que se conoce
como degeneracin.
Por lo general, la degeneracin no es un problema, pero hay que tener cuidado
en la interpretacin de algunos de los precios duales. Especficamente, al examinar los intervalos del trmino independiente, un precio dual puede tener un valor
cero como aumento permitido, una reduccin permitida de cero, o ambos. En otras
palabras, el precio dual se mantendr slo en un intervalo limitado o quizs no
exista tal intervalo. La degeneracin no ser un problema si se toma en cuenta
esta situacin al interpretar los resultados de la programacin lineal.

Soluciones alternativas
En ocasiones un problema de programacin lineal puede tener ms de una solucin
ptima (vase pg. 305 y Fig. 11-4.). Es fcil detectar estos casos en los resultados
de LINDO si la solucin no presenta degeneracin. Si hay una variable de decisin que tenga valor cero y tambin un costo reducido de cero, esto indica que

Captulo 11 Resolucin de problemas de programacin lineal

337

existe una solucin alternativa. Adems, una restriccin con holgura (o excedente)
igual cero y con precio dual de cero tambin indica una solucin alternativa.
Si la solucin ptima presenta degeneracin, entonces no es fcil determinar
en los resultados de LINDO si existen soluciones alternativas; este caso no se
analizar aqu.

Bibliografa
Schrage, Linus, Linear, Integer and Quadratic Programming with LINDO, cuarta edicin, South
San Francisco, Calif. Scientific Press, 1989.

Rubin, D. y H. Wagner, "Shadow Prices: Tips and


Traps for Managers and Instructors", Interfaces,
pgs.
150-157,
julio-agostodel
decaptulo
1990. 10.
Vase
tambin
la bibliografa

Problemas con respuestas


11-1.

Resuelva grficamente el siguiente problema:


Maximizar:
Sujeto a:

11-2.

Remtase al problema 10-3 al final del captulo


10.
a. Resuelva el problema en forma grfica pa
ra encontrar la combinacin ptima de pro
ductos.
Para los apartados (b) a (d) de este problema, considere cada caso por separado.
Convierta adems a millares todas las unidades y resuelva grficamente.
b. Suponga que el nmero mximo de unida
des del producto A que pueden venderse
es 9000 (en lugar de 8000, como en el ca
so base). Cul es el efecto en la solu
cin? Cul es el efecto en los beneficios?
Cul es el precio dual para la restriccin
que limita las ventas del producto A?
c. Suponga que el nmero mximo de unida
des de producto que pueden venderse es
13 000 (y no 12 000, como en el caso ba
se). Cul es el efecto en la solucin?
Cul es el efecto en los beneficios?
Cul es el precio dual para la restriccin
que limita las ventas del producto B?

11-3.

d. Suponga que hay 31 000 horas de trabajo


disponibles, en lugar de las 30 000 del ca
so base. Cul es el efecto en el proble
ma? Cul es el efecto en los beneficios?
Cul es el precio dual de la restriccin
del nmero de horas de trabajo?
e. Remtase a los apartados (b), (c) y (d) an
teriores. Determine en forma grfica los
intervalos del trmino independiente en
los cuales se mantienen los precios duales
de las tres restricciones.
Remtase al problema 10-1, al final del captulo 10. La formulacin del problema se presenta al final del libro, en las respuestas a los
problemas del captulo 10. Si usted dispone
de un programa de computacin para programacin lineal, resuelva el problema; de lo
contrario, consulte los resultados del programa LINDO que se presentan al final del libro
en las respuestas a los problemas de este captulo. Responda las siguientes preguntas:
a. Cul es la solucin del problema? Cun
tas unidades de cada producto se fabrican
y en cules restricciones hay holgura o ex
cedentes? Cul es el beneficio ptimo?
b. Cul es el valor de una hora adicional
de fresado? El de una hora adicional de
montaje? El de un dlar adicional
de capital de trabajo para el proceso de
inventario?

338

11-4.

Parte III Programacin matemtica


problemas del captulo 10. Si tiene acceso a
un programa de computacin para programacin lineal, resuelva el problema. De lo
contrario, consulte las salidas de LINDO que
se muestran en las respuestas correspondientes
a este captulo, al final del libro, y despus
responda las siguientes preguntas.
a. Cul es la solucin del problema? Cun
tos prstamos de cada tipo debe tener la
empresa? Cul es el rendimiento espera
do de estos prstamos?
b. Si la compaa pudiera juntar 1.5 millones
de dlares adicionales para prestarlos,
cul sera el rendimiento de cada dlar
adicional? En qu intervalo se manten
dra este valor?
c. Suponga que el rendimiento anual de las
segundas hipotecas aumenta del 10 al
12%. Cul sera el efecto en la solucin
del problema (es decir, en la cartera de
prstamos)? Cul sera el efecto en el ren
dimiento total? Suponga que la tasa de las
segundas hipotecas fuera del 14%. Cul
sera el efecto? Cunto tendra que subir
la tasa de las segundas hipotecas para que
tuviera efecto en la cartera de prstamos?

c. Suponga que la compaa puede invertir


dinero en publicidad y que el efecto sera
un incremento en el lmite de la demanda
del producto A o del producto C. Cunto
debe estar dispuesta a pagar la compaa
para aumentar la demanda del producto A
en una unidad? Cunto para aumentar la
demanda del producto C en una unidad?
d. Suponga que el contrato del producto D re
quiere 13 unidades (en lugar de 10). Qu
efecto tendra esto en los beneficios?
e. Suponga que el beneficio por unidad del
producto C fuera de 46 dlares (y no de
36) Cmo cambiara la solucin (es
decir, cuntas unidades de cada producto
habra que producir)? Cunto cambia
ran los beneficios?
/ Se piensa fabricar otro producto, E, que requiere dos horas de fresado, cinco horas de
montajes y 20 dlares de capital de trabajo.
El beneficio por unidad es de 50 dlares.
Cuntas unidades de deben producirse?
Remtase al problema 10-2, al final del captulo 10. La formulacin del problema se incluye al final del libro, en las respuestas a los

Problemas
11-5.

Resuelva en forma grfica el siguiente proble


ma de minimizacin:
Minimizar: C = 4X, + 2X2
Sujeto a:
X, > 6
Xi + X2> 10

11-6.

11-7.

X,, X2 > 0
Remtase al problema 10-6 del final del captulo 10. Resuelva el problema en forma grfica para encontrar la estrategia de publicidad
ptima.
Remtase al problema 10-10 del final del captulo 10 (el problema de la compaa Delight Dairy).
a. Resuelva grficamente el problema.
b. Suponga que se podran obtener 10 horas
de trabajo adicionales (convirtiendo la po
sicin de % de tiempo en tiempo comple
to). Cul es el efecto en la solucin?
Muestre el resultado de manera grfica.

11-8.

Calcule el precio dual por hora de trabajo


adicional.
c. Cuntas horas de trabajo adicional pue
den aadirse antes de que cambie el pre
cio dual que calcul en (b)l Muestre el
resultado en forma grfica.
d. Remtase al caso base que se describe en
(a). Suponga que la competencia ha hecho
que el precio del helado baje de 300 a 200
dlares por cada 4000 litros. Cambiara
esto el plan de produccin de DD? De ser
as, cul sera el nuevo plan?
Remtase al problema de mezcla de gasolinas, ejemplo 3, pginas 271 a 275 del captulo
10. En la tabla 11-5 se presenta la solucin de
LINDO para este problema. La codificacin
de las variables es la siguiente: GAS1AV,
barriles de gasolina para mezcla 1 utilizados
en gasolina para aviacin;

Captulo 11 Resolucin de problemas de programacin lineal


Tabla 11-5

Resultado del programa de computacin LINDO para el problema de mezcla


de gasolinas (problema 11-8)

339

340

11-9.

Parte III Programacin matemtica


b.

GAS2AV, barriles de gasolina para mezcla 2


utilizados en gasolina para aviacin;
GAS1MOT, barriles de gasolina para mezcla
1 utilizados en gasolina para motores;
GAS2MOT, barriles de gasolina para mezcla
2 utilizados en gasolina para motores.
a. Cul es la solucin ptima de este
problema?
b. Hay soluciones ptimas alternativas?
Cmo lo sabe?
c. Cules de las restricciones del octanaje y
de la presin de vapor son efectivas?
d. Suponga que la compaa puede comprar
5000 barriles adicionales de gasolina para
mezcla 1, a un precio de 200 000 dlares.
Deben efectuar la compra? Por qu?
e. Se propone un producto nuevo que requie
re mezclar exactamente las mismas canti
dades de gasolina para mezcla 1 y 2.
Suponga que el precio de venta de esta
nueva mezcla es de 40 dlares por barril.
Debe fabricarse la mezcla? Suponga que
el precio es de 35 dlares por barril. De
be fabricarse la mezcla?
Remtase al problema de transporte, ejemplo
2, pginas 269 a 271 del captulo 10. En la tabla 11-6 se presentan los resultados de LINDO para este problema. La variable de
decisin CNY es el nmero de cajas de jabn
(en miles) que se envan de la planta de Cincinnati al almacn de Nueva York, la variable
DB es la cantidad de cajas (en miles) que se
envan de la planta de Denver al almacn de
Boston, etc. La primera letra se refiere a la
planta y la segunda (y la tercera) al almacn.
Utilice los resultados de la tabla 11-6 para
responder las siguientes preguntas. a. Cuales
son la produccin y el plan de envos ptimos
para esta compaa?

Suponga que, por razones de poltica,


la compaa quiere enviar por lo menos
1000 cajas de Cincinnati a Dallas. Au
mentara el costo? Cunto aumentara?
c. Suponga que la empresa considera un
programa de mercadotecnia para au
mentar las ventas en las regiones de los
almacenes. Si todo lo dems permane
ce igual (con excepcin de los costos
de envo), qu regin generara mayo
res beneficios? Cul generara el me
nor beneficio?
d. Suponga que la capacidad de la planta
de Cincinnati puede crecer un 10% si
se usa tiempo extra, a un costo de 1000
dlares. Debe hacerse? Por qu?
e. En el plan ptimo, la planta de Cincin
nati no enva jabn al almacn de Da
llas. Suponga que el departamento de
envos logr obtener una tarifa muy fa
vorable, de 90 dlares por cada mil ca
jas, para la ruta Cincinnati-Dallas.
Cmo cambiara el plan de envos p
timo? Cmo lo sabe?
Un fabricante de televisores fabrica cuatro
modelos: (1) un televisor porttil, blanco y
negro, llamado Deportista, (2) un televisor
comn, blanco y negro, llamado Normal,
(3) un televisor porttil, a colores, llamado
Viajero y (4) un modelo normal, a colores,
llamado Super. Cada televisor requiere
tiempo para montaje y pruebas. En la tabla
anexa se indican los requisitos de montaje y
pruebas para cada modelo, as como la
cantidad de tiempo disponible para cada
operacin. Adems, por causa de una
huelga, hay una escasez de cinescopios y el
proveedor indica que no podr proporcionar
ms de 180 cinescopios el prximo

11-10.

(para el problema 11-10)


Modelo Modelo
Deportista Normal
Tiempo de montaje (horas)
Tiempo de pruebas (horas)
Beneficio marginal (dlares)

8
2
40

10
2
60

Modelo
Viajero
12
4
80

Modelo
Total
Super disponible
15
5
100

2 000
500

Captulo 11 Resolucin de problemas de programacin lineal


Tabla 11-6

Resultados de LINDO para el problema de transporte (problema 11-9)

341

(contina)

Parte III Programacin matemtica

342

Tabla 11-6

(conclusin)

mes y, de stos, como mximo 100 podrn


ser de color.
El problema se formula y se resuelve en
la tabla 11-7. Las variables de decisin, DEPORTISTA, NORMAL, VIAJERO y SUPER representan el nmero de unidades
producidas para el modelo.
Responda las siguientes preguntas con base en los resultados de LINDO de la tabla
11-7.
a. Cul es el programa de produccin p
timo para el fabricante de televisores?
Hay programas ptimos alternativos?
b. Cul es el valor marginal de una hora
adicional de tiempo de montaje? En

qu intervalo es vlido este valor


marginal?
c. Suponga que se pueden obtener 80 ho
ras adicionales de tiempo de pruebas a
un costo de cuatro dlares por hora.
Debe hacerse? Cul sera el incre
mento en los beneficios?
d. Cul es el valor marginal de una hora
adicional de tiempo de pruebas? En
qu intervalo es vlido este valor?
e. Suponga que se instituye un cambio de
precio que modifica el beneficio margi
nal del modelo Deportista, de 40 a 45
dlares. Cambiara esto el plan ptimo
de la produccin? Suponga que el pre-

Captulo 11 Resolucin de problemas de programacin lineal


Tabla 11-7

343

Resultados de LINDO para el problema del fabricante de televisores (problema 11-10)

344

Parte III Programacin matemtica


lor. Deben comprarse cinescopios?
Cuntos?
h. La gerencia quiere introducir un nuevo
modelo a color, llamado Compaero.
El modelo Compaero slo requerira
10 horas de montaje y tres horas de
pruebas. El beneficio marginal del modelo sera de 70 dlares. Debe producirse el nuevo modelo? De ser as,
cul sera el valor marginal de la produccin de una unidad del modelo
Compaero?

ci del modelo Deportista cambia de 40 a


55 dlares. En este caso, variara el plan
de produccin? / Cunto tendra que
cambiar el precio del modelo Normal para
que hubiera una modificacin en el
programa de produccin?
g. Suponga que se pueden obtener cinescopios adicionales de otro proveedor,
pero cuestan dos dlares ms que los
del proveedor regular para blanco y negro y cinco dlares ms para el de co-

Problemas ms difciles
11-11.

Remtase al modelo de programacin de la


produccin, ejemplo 4, pginas 275 a 277
del captulo 10. El problema se formula y se
resuelve en la tabla 11-8. Las variables de
decisin son ENETN, FEBTN, MARTN,
etc., que corresponden a las unidades producidas en tiempo normal en enero, febrero,
marzo, etc., , FEBTE, etc., el nmero de unidades producidas con tiempo extra
en enero, febrero, etc.; e INVENE, INVFEB, etc., correspondientes al nmero de
unidades en inventario al final de enero, febrero, etctera.
Consulte la tabla 11-8 para responder las siguientes preguntas:
a. Cul es la solucin del problema?, es
decir, cul debe ser el programa de
produccin de la compaa para los
seis prximos meses? Cul es el cos
to de este plan?
b. Despus de completar el plan de pro
duccin que se muestra en la tabla
11-8, la compaa recibi un pedido
adicional de cinco unidades para el
mes de enero (lo que aumenta los com
promisos del mes de 95 a 100 unida
des). El gerente de produccin
argumenta que el costo marginal de
producir cada una de estas cinco unida
des es de 35 dlares (el costo del tiem
po extra), puesto que la planta ya est
programada para operar a toda su capa-

11-12.

cidad normal. El gerente de ventas afirma que el costo marginal slo debe ser
de 30 dlares por unidad, ya que antes
slo exista el compromiso de entregar
95 unidades en enero. Cul cree usted
que ser el costo incremental de producir estas cinco unidades adicionales?
Por qu?
c. Suponga que la compaa podra au
mentar temporalmente la capacidad en
tiempo normal, en diez unidades, du
rante el mes de abril. Con esto aumen
tara el costo de estas 10 unidades
adicionales, de 32 a 34 dlares, mien
tras que el costo de las unidades de
tiempo extra sera el mismo, 37 dla
res. Debe realizarse este cambio?
Cmo lo sabe?
d. Suponga que el encargado de llevar
su contabilidad le informa que se co
meti un error al estimar el costo
unitario en tiempo normal para el mes
de abril. En lugar de los 32 dlares
que se usaron en el anlisis, el costo
correcto por unidad debi ser 36 dla
res. Cambiara entonces el plan de
produccin? Cambiara el costo total
estimado? Cunto?
La granja Co-Op posee 1000 hectreas de
tierra, las cuales cultiva para vender los productos a su cadena de tiendas. Los planes
actuales especifican que la granja cultive

Captulo 11 Resolucin de problemas de programacin lineal


Tabla 11-8

Resultados de LINDO para el ejemplo de programacin de la produccin


(problema 1 1 - 1 1 )

345

(contina)

346

Parte III Programacin matemtica

Tabla 11-8

(conclusin)

Captulo 11 Resolucin de problemas de programacin lineal

Tabla 11-8

347

{conclusin)

maz y trigo en sus terrenos. Los costos de


semillas y de las labores de cultivo son de
100 dlares por hectrea de maz y de 120
por hectrea de trigo. El maz requiere 10
horas de trabajo por hectrea y el trigo
requiere ocho horas por hectrea. La cosecha a final del ao es de 120 bushels de
maz por hectrea y 100 de trigo. La granja
puede cultivar cualquier combinacin de los
dos cultivos. La granja recibe 4.25 dlares
por cada bushel de maz que venda y 5.25
por bushel de trigo. La cadena de tiendas
puede comprar, a lo sumo, 100 000 bushels
de maz y 175 000 de trigo.
La granja considera la posibilidad de criar
hasta 2000 reses para la venta de carne a las
tiendas de la cadena. Para lograrlo, se puede
dedicar parte de la tierra que se consideraba
para el cultivo de maz o trigo como pastizal
para la crianza de las reses y su alimentacin durante un ao. Las reses cuestan
150 dlares y se venden a 800 dlares
despus de alimentarlas un ao. Cada res requiere 20 horas de trabajo, media hectrea

de terreno y consume 80 bushels de maz


durante el engorde. El maz para las reses se
puede cultivar en la granja, si hay suficiente,
o se puede comprar a un costo de 4.50
dlares el bushel.
La granja puede emplear estudiantes como mano de obra, con un costo de seis dlares la hora, o granjeros experimentados a
diez dlares la hora. Cada hora de un estudiante requiere nueve minutos (0.15 horas)
de supervisin y los trabajadores experimentados necesitan tres minutos (0.05 horas) de supervisin por hora. Hay 2000
horas de supervisin disponibles.
La granja cuenta con 200 000 dlares para
financiar sus operaciones. Formul sus
opciones como un programa lineal para llevar a cabo de manera eficiente sus operaciones, con las siguientes definiciones de
variables:

R
TES

=
=
=
=

Hectreas sembradas de maz


Hectreas sembradas de trigo
Reses compradas y vendidas
Horas de trabajo de estudiantes

348

Parte III Programacin matemtica

Captulo 11 Resolucin de problemas de programacin lineal

349

350

Parte III Programacin matemtica


TEX = Horas de trabajo de granjeros
experimentados MAR =
Bushels de maz comprados
para alimentar reses MCR =
Bushels de maz producidos
para alimentar reses VM =
Bushels de maz vendidos VT =
Bushels de trigo vendidos
La formulacin y los resultados LINDO
se proporcionan en la tabla 11-9. Responda
las preguntas (a) a (/) independientemente
de las dems.
a. Cul es el programa de operaciones
ptimo para la granja (es decir, la solu
cin del problema)? Cul es el benefi
cio monetario total?
b. Cunto tendra que cambiar el precio
del maz, y en qu direccin (aumento
o reduccin) para que la granja consi
dere la venta de maz a las tiendas
Co-Op?
c. Cul es el valor de una hora de traba
jo adicional para la granja?
d. Si la granja pudiera obtener un prsta
mo de 15 000 dlares adicionales para
financiar sus operaciones, cul es la
mayor tasa de inters (inters anual
simple) que estara dispuesta a pagar?
e. Una granja vecina ha ofrecido alquilar
200 hectreas a la granja Co-Op por
una cuota fija de 65 000 dlares, los
cuales se pagaran al final del ao con
el beneficio de la venta de las cose
chas y las reses. Debe aceptarse la
oferta?

/ Cunto tendran que aumentar el "costo de semillas y otros costos de cultivo" para que la granja cambiara la
cantidad de terreno que dedica al cultivo de trigo?
g. La granja considera la idea de cultivar
tomates. Las plantas de tomate pueden
comprarse a 50 dlares la hectrea y
requieren 15 horas de trabajo por hectrea. Una hectrea de tomate produce
40 bushels para venta, que pueden venderse a 12 dlares el bushel. Debe dedicar parte del terreno al cultivo de
tomates?
h. La granja puede aplicar fertilizante a la
tierra al inicio de la temporada, a un
costo fijo de 10 000 dlares. El fertilizante se aplica a toda la tierra y aumenta el rendimiento de maz a 130
bushels por hectrea y el rendimiento
de trigo a 110 bushels por hectrea. Es
rentable aplicar el fertilizante?
i. Co-Op quiere tener mano de obra experimentada en la granja. Cul sera la
tasa de cambio en el beneficio si se
agregan horas de trabajo experimentado?
j. El precio dual de la restriccin 3 (demanda de fuerza de trabajo) es de 6.23.
Pero la granja puede contratar una
cantidad ilimitada de horas de trabajo
de estudiantes a seis dlares la hora.
Explique esta contradiccin aparente.

CAPTULO

Programacin lineal
Mtodo smplex
En el captulo anterior se mostr cmo resolver problemas de programacin lineal
y efectuar el anlisis grfico de la sensibilidad, adems de cmo interpretar los
resultados de las soluciones por computador. En este captulo se presenta un
procedimiento de solucin algebraico, llamado mtodo smplex, para la resolucin de problemas de programacin lineal. Este procedimiento o sus variantes se codifica en programas de computacin para resolver problemas de
programacin lineal de gran tamao, incluso aquellos que incluyen miles de variables y restricciones.

Formulacin algebraica
La formulacin algebraica se present en el captulo 11 (pgs. 320 a 324), y se
deber repasar dicho anlisis antes de continuar. Consideremos el mismo problema que se formul en forma algebraica y se resolvi grficamente:
Maximizar:
Sujeto a:

donde X1 y X2 representan el nmero de unidades del producto A y el producto B,


y las dos restricciones representan los lmites (en horas) de la capacidad de las
dos mquinas. El producto A tiene beneficio marginal de seis dlares por unidad
y el producto genera siete dlares por unidad. Recuerde que el problema poda
convertirse en un conjunto de restricciones de igualdad si se aadan dos variables
de holgura, X3 y X4, las cuales representaban la capacidad no utilizada de las
mquinas 1 y 2, respectivamente. Puesto que las variables de holgura no agregan
351

352

Parte III Programacin matemtica


nada al beneficio, tendrn coeficiente de cero en la funcin objetivo; entonces, el
problema se puede reescribir como sigue:
Maximizar:
Sujeto a:

En este problema hay ahora cuatro variables y dos restricciones, sin contar las
restricciones de no negatividad. En un problema general de programacin lineal
con m restricciones, habr ms de m variables despus de aadir las variables de
holgura o de excedente. Recuerde que si se selecciona un conjunto de las m
variables, las dems se hacen iguales a cero y despus se resuelve el problema
para estas m variables entonces se obtiene una solucin bsica. Las variables que
se seleccionan se denominan variables de solucin y las variables iguales a cero
son las variables externas. En el captulo anterior se encontraron todas las
soluciones bsicas del problema y se mostr su relacin con los vrtices de
la solucin grfica (vanse Tabla 11-1 y Fig. 11-6). Recuerde que algunas de las
soluciones bsicas no son factibles, ya que contienen valores negativos para una
variable o ms.
Como ejemplo, una de las soluciones bsicas implica la seleccin de y X2
como variables de solucin y la asignacin de cero a X3 y X4 (las variables
externas). Al resolver la ecuacin anterior se obtiene Xj = 6, X2 = 4 y beneficio
= 64, lo cual es la solucin ptima. Otra solucin bsica selecciona X3 y X4 como
variables de solucin y X, = X2 = 0, con beneficio = 0.

Mtodo smplex
El mtodo smplex es un procedimiento que comienza con una solucin bsica
factible y luego avanza, paso por paso, a soluciones consecutivas, cada una de las
cuales presenta las siguientes caractersticas: (1) es una solucin bsica factible,
y (2) tiene beneficio mayor que el de la solucin anterior.1 Por ltimo se obtiene
una solucin que no es posible mejorar y se ha encontrado la solucin ptima.
Ejemplo 1:
Maximizacin
de beneficios

El proceso comienza con la funcin objetivo y las ecuaciones de restriccin


expresadas en forma algebraica. Para nuestro ejemplo se tiene:

En algunos casos es posible que el beneficio sea igual en un paso que en el siguiente, pero no puede disminuir.

Captulo 12 Programacin lineal


Tabla 12-1

353

Primera solucin

Tabla smplex
Es conveniente efectuar los clculos del procedimiento smplex en forma de tabla,
como la tabla 12-1.
de la tabla
Bajo el encabezamiento de cada columna
12-1 estn los coeficientes en las ecuaciones de restriccin correspondientes a las
variables del encabezamiento. As, bajo Xy est escrito
Bajo la columna "Valores de solucin" se
presentan las constantes o trminos independientes de las ecuaciones. Cada fila
de la tabla es, entonces, una ecuacin asociada a una restriccin. Es conveniente
colocar las columnas de las variables de holgura inmediatamente despus de la
columna de variables de solucin. La primera fila del encabezamiento de la tabla
contiene las C, o beneficio por unidad (los coeficientes de las variables en la
ecuacin de beneficio) para cada una de las variables

Solucin inicial
La solucin bsica inicial de la tabla 12-1 se forma con las variables de holgura
X3 y X4 como variables de solucin y X1 y X2 como externas. Esta solucin no es
muy rentable, ya que el beneficio es de = 0 y requiere que no se produzca nada
del producto A y nada del producto B. Los trminos X3 y X4 se registran en la tabla
smplex en la columna "Variables de solucin" y sus beneficios por unidad (CJ)
se marcan en la primera columna, bajo el encabezamiento C (vase Tabla 12-2).
Las variables de solucin pueden identificarse como aquellas cuyas columnas
contienen un elemento con +1 y los dems elementos son 0. De esta manera, la
columna X3 es

y la columna X4 es

. Adems, el 1 debe estar en una fila

distinta del 1 de cualquier otra columna. As, Xj tiene un 1 en la primera fila y X4


tiene un 1 en la segunda. Observe que esto equivale a decir que se han resuelto
las ecuaciones de restriccin en funcin deX3 y X4:

354

Parte III Programacin matemtica

Tabla 12-2

Primera solucin

Tabla 12-3

En este momento las variables que se omiten de la solucin son Xi y X2 y son


iguales a cero. Por lo tanto, para la primera solucin de prueba, X3 = 24 y X4 = 16.
Si hay restricciones para el problema, entonces las primeras columnas deben
aparecer como se muestra en la tabla 12-3.
Observe que hay una diagonal de unos y el resto de los nmeros en las primeras
columnas son 0.
Coeficientes de sustitucin. Los coeficientes de las columnas del cuerpo de la
tabla smplex se pueden considerar como coeficientes de sustitucin. Son las
reducciones de las variables de la solucin que se obtendrn al introducir una
unidad de cada variable que actualmente no se encuentra en la solucin. Por
ejemplo, en la tabla
est bajo la columna X 2 . Por cada unidad del
producto (es decir, unidades de X2 ) que se introduzca en la solucin hay
que quitar tres unidades de la variable de holgura X3 y una unidad de la variable
de holgura X4, para mantenerse dentro de las restricciones establecidas. Entonces,
el 3 y el 1 son las cantidades de X3 y X4 que sustituyen a una unidad de X2. De
manera parecida, por cada unidad de Xi que se introduzca en la solucin hay que
eliminar dos unidades de X3 y dos unidades de X4. Al examinar las ecuaciones de
restriccin (12-1) se confirma la validez de esta interpretacin.

Captulo 12 Programacin lineal

355

Bajo cada una de las columnas de la tabla 12-2 hay un total Z (el subndice y
se refiere a la columna que se totaliza). El total Z de una columna es la cantidad
de beneficios que se pierde al reemplazar parte de la combinacin de solucin con
una unidad del elemento que encabeza la columna. Este valor se determina
multiplicando cada C de la fila por el nmero de la fila y la columna j (el
coeficiente de sustitucin), y sumando todos los resultados. Los clculos de las
Zj de la tabla 12-2 son:
Z3 = 1(0) + 0(0) = 0
Z4 = 0(0)+ 1(0) = 0
Z, = 2(0) + 2(0) = 0
Z2 = 3(0) + 1(0) = 0
Tambin se puede calcular un valor para la columna "Valores de solucin"
(a partir de ahora se har referencia a esta columna como la columna 0):
Zo = 24(0) + 16(0) = 0
Zo representa el beneficio de la solucin actual.
Debajo de la fila Zy hay una fila con denominacin C1 Z1. AI restar el total Z1
a la cantidad C1 de la parte superior de la columna, se encuentra el beneficio neto
que agrega una unidad del producto (si C1 - Z1 es positivo) o el beneficio que se
pierde (si C, - Z1 es negativo). De esta manera, si se aade a la solucin una unidad
de X2 (reemplazando algunas cantidades de X3 y X4) aumentar en siete dlares el
beneficio neto.
La fila C1 - Z1 es en realidad una ecuacin, como las otras filas de la tabla de
programacin lineal, y expresa el beneficio en esa etapa de los clculos, en funcin
de las variables externas. Por lo tanto, la fila C1 Z1 equivale a:
Beneficio = 0X, + 0X4 + 6Xt + 7X2
Determinacin de una nueva solucin
El mtodo smplex encuentra una nueva solucin sustituyendo una de las variables
de solucin por una de las variables externas. Este procedimiento se lleva a cabo
en tres pasos:
1. Escoger una variable de entrada que aumente la rentabilidad de la solucin.
2. Elegir la variable de salida que asegure una solucin bsica factible.
3. Resolver de nuevo las ecuaciones de restriccin para encontrar la nueva
solucin.
Variable de entrada. Determine la variable que tiene mayor beneficio neto por
unidad. Esta variable es la que tenga el mayor valor positivo en la fila C1 - Z1 de
la parte inferior de la tabla. La variable X2 (producto B) contribuye con siete
dlares por unidad, ms que cualquier otra variable. Por ello, X2 es la variable que

356

Parte III Programacin matemtica


entra a la solucin. La columna asociada con X2 se indica con una flecha en la
tabla 12-2.
Variable de salida. El siguiente paso es determinar cul de las variables de
solucin actuales (X3 o X4) saldr de la solucin y ser reemplazada por X2.
Considere que las unidades de X2 se agregan a la solucin una por una. En algn
momento una de las variables iniciales de la solucin ser exactamente igual a
cero, con lo que deja de ser una variable de solucin para convertirse en una
variable externa. Lo que se debe averiguar es cul de las variables de solucin
llegar antes a cero si se introducen unidades de X2 a la solucin. La variable X!
permanecer como variable externa con valor de cero, por lo que se pueden
escribir las ecuaciones de restriccin de la siguiente manera:

Si X3 fuera la variable de salida (y, por consiguiente, igual a cero) se podran


resolver las ecuaciones anteriores para X2 y X4, con lo cual se obtendra X2 = 8 y
X4 = 8. sta es una solucin factible.
Si X4 fuera la variable de salida (y, por lo tanto, igual a cero) la resolucin de
las ecuaciones para X2 y X3 da como resultado X2 = 16 y X3 = -24. Esta solucin no
es factible, ya que requiere cantidades negativas de X3. En otras palabras, al
aadir unidades de X2, en el punto X2 = 8 la variable de solucin X3 llegara a cero;
sta es la primera variable de solucin que llega a cero (X4, la otra variable de
solucin, an es positiva en ese punto), por lo que X3 es la variable de salida.
Se puede obtener el mismo resultado con la tabla y una regla ms mecnica.
Divida cada cantidad de la columna "Valores de solucin" entre la cantidad de la
fila comparable en la columna de entrada X2:

El nmero menor que se obtiene con este clculo indica el nmero mximo de
unidades de X2, 8, que puede introducirse en la solucin sin que alguna variable
de solucin llegue a ser negativa. Si alguna de las cantidades que se calculan con
la divisin es negativa, entonces no deben tomarse en cuenta; en otro caso, la
cantidad menor, como se calcul antes, determina la variable de salida. En este
caso, la fila X3 tiene el nmero menor (8) y X3 es la variable de salida. La fila X3
se seala con una flecha en la tabla 12-2.
Observe lo que se ha hecho hasta ahora en el procedimiento smplex. Primero
se identific una variable que aumentar la rentabilidad y se indic que deba
incluirse en la siguiente solucin. Despus se garantiz que la siguiente solucin
sera una solucin bsica factible, identificando una variable que se eliminara de
la solucin, de forma que todos los valores de las variables fueran no negativos.
El tercer paso es determinar la nueva solucin.
Nueva solucin.

El reemplazo de X3 por X2 se lleva a cabo con dos tcnicas.

Captulo 12 Programacin lineal

357

El elemento de la columna de entrada X2 y la fila de salida X3 se denomina


elemento pivote (el del ejemplo se encierra en un crculo en la tabla 12-2 y tiene
valor de 3). Para obtener una nueva solucin que contenga X2 hay que convertir
este elemento en +1 y todos los dems elementos de la columna X2 en 0.
Para convertir el elemento pivote en +1 se requiere dividir cada elemento de la
fila X3 actual entre el valor del elemento pivote (es decir, entre 3). Recuerde que
las filas son en realidad ecuaciones de restriccin y que se puede dividir toda una
ecuacin entre una constante.
Los clculos son:

De esta manera, la nueva fila superior debe ser


y lleva la etiqueta
X2 en la segunda solucin smplex (vase Tabla 12-4).
La segunda parte del procedimiento tiene el propsito de convertir en cero
todos los elementos (con excepcin del pivote) de la columna X2. En el ejemplo,
el nico otro valor de la columna X2 es un 1 en la fila X4 (en un crculo en la Tabla
12-4). Para convertir en cero todos los valores, se multiplica toda la nueva fila X2
por el valor de la columna X2, fila X4, es decir, por el valor colocado en el crculo,
1, y despus se resta el resultado de la fila X4 anterior. Es ms fcil ilustrar que
describir el procedimiento (vase Tabla 12-5).
Los nuevos valores de la fila X4 son
Para comprender por qu es vlido el procedimiento anterior, recuerde que cada
fila de la tabla equivale a una ecuacin. Por lo tanto, lo nico que se hace es
multiplicar una ecuacin por una constante (1, en este caso) y restarla de otra
ecuacin. El resultado es una ecuacin nueva.
La tabla 12-6 muestra la nueva solucin. Recuerde que la tabla representa
la solucin de las ecuaciones de restriccin en funcin del nuevo conjunto
de variables de solucin, X2 y X4. Por lo tanto, se podra reescribir la tabla 12-6
como sigue:

Tabla 12-4

Segunda solucin, parcialmente completa

358

Parte III Programacin matemtica

Tabla 12-5

Tabla 12-6

Segunda solucin

igual a cero, la nueva solucin tiene ocho unidades de producto


y ocho unidades de holgura en la segunda restriccin (X4 = 8).
Clculo de las Z. Primero se ilustrar el clculo de los valores Z para la
tabla 12-6, considerando la columna XxyZx. Recuerde que los coeficientes % y V3
de la columna Xx son los coeficientes de sustitucin que indican que una unidad de
X, reemplazara ahora 2/3 de unidad de X2 y 4/3 de unidad de X4. Como los beneficios actuales son de siete y cero dlares por unidad de X2 y X4, respectivamente,
el costo de oportunidad de la introduccin de una unidad de Xi es:

Captulo 12 Programacin lineal

359

En otras palabras, nos costara 14/3 de dlar introducir una unidad de X, en la


solucin. Sin embargo, Xl tiene beneficio de seis dlares, por lo que el beneficio
neto de una unidad de Xt es Cl-Zl = 6- 14/3 = V3.
Las Zj para las otras columnas se calculan de manera anloga:

Por ltimo, Zo = 7(8) + 0(8) = 56. Esta cifra representa el beneficio asociado
con la solucin actual (la segunda). Es una mejora con respecto a la solucin
anterior.
Clculo de las C1 - Z1. Una vez que se han determinado los valores Z1 es posible
calcular las C1 - Z1 restando las Z1 a los valores C1 de la parte superior de la tabla.
Por ejemplo, en la tabla 12-6, en la columna
positiva indica que se puede incluir en forma rentable cierta
cantidad de una variable en la solucin; un valor negativo indica que la inclusin
de la variable reducira el beneficio. Por ello, es posible mejorar an ms la
solucin, aadiendo el producto A (es decir, X1), aumentando el beneficio en
4
/3 = 1.33 dlares por cada unidad que se agregue.
Hay otro mtodo para calcular directamente los valores Cy - Z1 sin tener que
calcular antes las Z1. Recuerde que la fila C1 - Z1 de la tabla representa la ecuacin
de beneficio, as como las otras filas de la tabla representan ecuaciones de
restriccin. Entonces se pueden aplicar a la fila C1 - Z1 las mismas operaciones
que se usaron con las dems filas. La tabla 12-7 es la segunda solucin antes de
calcular las nuevas filas Z, y C1 - Z1.
Lo que queremos hacer es que el coeficiente C2 - Z2 (encerrado en un crculo
en la Tabla 12-7) sea igual a cero. El proceso para hacerlo se muestra en la
tabla 12-8 y es similar a los clculos que se efectuaron en la tabla 12-5.
Observe que son exactamente los mismos valores C1 - Z1 que se obtuvieron
antes. Si hay muchas restricciones, este mtodo requiere menos esfuerzo que
calcular primero las Z1.

Tercera solucin
La tercera solucin se calcula de la siguiente manera:
1. Variable de entrada. El mayor coeficiente positivo de la fila C1 - Z1 de la
tabla 12-9 es 4/3, asociado con la columna Xx. Por lo tanto, X es la variable de
entrada y cada unidad de X, aumentar el beneficio en 1.33 dlares.
2. Variable de salida.

Esto se determina como sigue:

360

Parte III Programacin matemtica

Tabla 12-7

Segunda solucin con la vieja fila inferior


Variables
de solucin

Valores
de solucin

Tabla 12-8
Vieja fila

Elemento de la vieja

Nueva

Valores de la nueva

Para la fila
Cada cantidad de la columna "Valores de solucin" se divide entre la cantidad de
la fila correspondiente de la columna . El 6 es la cantidad menor y proviene
de la fila X4; por consiguiente, X4 es la variable de salida.
La variable de entrada (X,) y la variable de salida (X4) se indican con flechas
en la tabla 12-9.
3. Nueva solucin. El elemento pivote de la columna Xu fila X4 (encerrado en
un crculo en la tabla 12-9), tiene valor de V3. Para convertirlo en 1 se divide la
vieja fila X4 entre V3:

Captulo 12 Programacin lineal

Tabla 12-9

Segunda solucin

Tabla 12-10

Tercera solucin, parcialmente completa

361

La nueva fila X es
y se muestra en la tabla 12-10.
El siguiente paso es convertir en cero el valor que aparece en el crculo de la
tabla 12-10. Para lograrlo se multiplica la nueva fila Xt por % y se resta a la vieja
fila X2, como se indica en la tabla 12-11. La nueva fila X2 es
la
cual se incluye en la tabla 12-12.
El clculo de las Z, de la Tabla 12-12 es:

Los valores C, - Zj se pueden calcular directamente de estos valores Z. Tambin


los hemos calculado con el otro mtodo, con fines ilustrativos. Estos clculos se
muestran en la tabla 12-13 y los valores son idnticos a los que se presentan en
la tabla 12-12.
Revisin de optimalidad
Examine la fila C 1 - Z 1 de la tabla 12-12. Todos los coeficientes son cero o
negativos, lo cual indica que no hay ninguna variable que pueda aumentar el

362

Parte III Programacin matemtica

Tabla 12-11

Tabla 12-12

Tercera solucin

beneficio si se incorpora a la solucin. En consecuencia, se ha encontrado una


solucin ptima. La estrategia ptima es producir cuatro unidades de y seis
unidades de A (es decir, X{ = 6, X2 = 4, como se ve en la tabla 12-12); el resultado
de esta estrategia ser 64 dlares de beneficio. A partir de la ecuacin de beneficio,
se obtiene:

Se satisfacen las ecuaciones de restriccin:

Debe sealarse que en este problema se maximizaba una cantidad (beneficio) sujeta a restricciones, todas ellas con la forma de una suma de variables
menores o iguales que una constante. Este punto es importante, ya que se
modificarn algunos pasos del proceso de solucin al cambiar la descripcin del
problema.

363

Captulo 12 Programacin lineal


Tabla 12-13

Ejemplo 2:
Minimizacin
de costos

Clculo de la fila C,- - Z 1 con el mtodo alternativo

Este ejemplo es diferente del anterior en varios aspectos:


1. Se minimiza una cantidad (en vez de maximizarla).
2. Hay tres restricciones: una igualdad y dos desigualdades.
Observe que una de las desigualdades tiene la forma de una variable mayor o igual
que una constante.
Situacin. El producto final tiene la condicin de que debe pesar exactamente
150 kilogramos. Las dos materias primas que se usan son A, con costo de dos
dlares por unidad, y B, con costo de ocho dlares por unidad. Hay que usar por
lo menos 14 unidades de y no ms de 20 unidades de A. Cada unidad de A pesa
cinco kilogramos y cada unidad de pesa 10 kilogramos.
Problema. Cunta materia de cada tipo se debe usar para fabricar una unidad
de producto final si deseamos minimizar los costos?
Formulacin. El primer paso es formular el problema por medio de la definicin
de variables y la especificacin de la funcin objetivo y las restricciones. Sea:
= Nmero de unidades del producto A X2
= Nmero de unidades del producto
En el ejemplo anterior la funcin objetivo era una funcin de beneficio. En este
ejemplo es la ecuacin de costo:
C = 2X, + 8X2
En vez de encontrar la combinacin de y X2 que minimice la funcin 2Xl + 8X2,
se podra resolver el problema de maximizacin de = -2XX - %X2. Ambas
soluciones seran iguales, pero para ilustrar el procedimiento resolveremos el
problema de minimizacin.
Tambin debemos definir las ecuaciones que establecen las restricciones. Hay
tres restricciones (sin contar las de no negatividad):

364

Parte III Programacin matemtica


5X, + 10X2

X2

=150
< 20
^ 14
> 0

(el peso total debe ser igual a 150 kilogramos)


(no se pueden usar ms de 20 unidades de A)
(hay que usar por lo menos 14 unidades de B)
(la cantidad de A que se use no puede ser negativa)

Anlisis grfico. Para fortalecer nuestra comprensin del problema, de nuevo


ilustraremos, brevemente, el mtodo grfico (vase Fig. 12-1).
Como hay que satisfacer exactamente la ecuacin 5X, + 10X2 = 150, la solucin debe
estar sobre la lnea DEF. Adems, la solucin debe cumplir con las restricciones Xi > 0 y
X2 > 14, por lo que podemos eliminar todo excepto el segmento de lnea DE. En realidad,
slo hay que examinar los puntos D y E, ya que el ptimo debe ser un vrtice. Observe
que la restriccin Xj < 20 no es efectiva; es decir, no influye en nuestra eleccin del
ptimo. Las limitaciones de las otras restricciones hacen innecesaria la restriccin X! <
20.
La funcin objetivo C = 2X, + 8X2 = 120 tambin aparece en la figura 12-1. No es el
ptimo, ya que se puede desplazar la lnea C = 120 hacia abajo y hacia la izquierda para
reducir el costo. El costo menor se obtendr en C = 116, que pasa por el punto ptimo
( = 2, X2 = 14).
Ahora resolveremos el mismo problema con el procedimiento smplex.

Figura 12-1

Captulo 12 Programacin lineal

365

Formulacin algebraica. El primer paso, como en el ejemplo anterior, es convertir las restricciones de desigualdad en ecuaciones. Para la restriccin X, < 20,
se puede aadir una variable de holgura X4, la cantidad de A no utilizada. Para la
restriccin X2 > 14, se agrega una variable X5 que representa el exceso o cantidad
excedente de B, de manera que quede la ecuacin X2 - 14 + X5. La otra restriccin
ya tiene forma de ecuacin. Las ecuaciones son, entonces:

En el ejemplo anterior pudimos encontrar la primera solucin bsica factible


seleccionando las variables de holgura como variables de solucin iniciales. Esto
no es posible en este ejemplo, pues no hay variable de holgura en la primera
restriccin y el signo de la variable de excedente de la tercera restriccin es
negativo.
Para resolver este problema se agregan las variables artificiales X3 y X6 a
la primera y tercera restricciones, respectivamente. Estas variables artificiales
pueden considerarse como las cantidades en que se violan las restricciones. Como
no queremos violar las restricciones, se asigna un costo (o beneficios negativos)
muy grande a las variables artificiales de la funcin objetivo. Con esto se
garantiza que sern variables externas en la solucin final y, por lo tanto, que
tendrn valor cero.
Con la adicin de las variables artificiales, ahora las restricciones se pueden
expresar como:

La nueva funcin de costo es:

donde es un nmero muy grande.


Para comprender mejor la tabla smplex que se presenta a continuacin (Tabla
12-14) se ampliarn las ecuaciones de restriccin aadiendo X con coeficiente
cero a cada ecuacin de restriccin, para que cada una tenga las variables X] a X6:

La primera tabla smplex de este ejemplo (Tabla 12-14) se construye a partir


de los coeficientes de las variables de las ecuaciones de restriccin, de las
constantes (150,20 y 14 en la columna "Valores de solucin") y de los coeficientes
de la ecuacin de costo.

366

Parte III Programacin matemtica

Tabla 12-14

Primera solucin

Observe que el clculo de Z, y C - Z da como resultado una fila inferior un


poco distinta de la funcin objetivo original. Esto se debe a la inclusin de las
variables artificiales.
La primera solucin bsica est formada por la variable de holgura X4 para
la restriccin "menor o igual que", y las variables artificiales X3 y X6 para las
restricciones de igualdad y "mayor o igual que". Cada una de estas variables
tiene un coeficiente de 1 en una fila y de 0 en las dems (revise las columnas X3,
X4yX6).
Variable de entrada. Como en este ejemplo se minimiza el costo, se escoge
la variable con mayor valor negativo de la fila C - Z como variable de entrada.
Esta variable es la que ms reducir el costo por unidad. La variable X2 es la
ganadora, ya que 8 - 1 \M es el valor ms negativo (M es muy grande).
Variable de salida. La variable de salida se determina igual que en el primer
ejemplo, calculando la razn entre los valores de la columna "Valores de solucin"
y los coeficientes de la columna de la variable de entrada, y seleccionando la
menor razn no negativa. La variable de salida es X6, ya que 14/i es menor que
150
/10 y 20/0 no est definido matemticamente.
Nueva solucin. El procedimiento de nueva solucin es el mismo que se describi en el primer ejemplo.

Captulo 12 Programacin lineal

367

1. Como ya hay un 1 en la columna X2 de la vieja fila X6, el elemento pivote ya es 1


y no hay que hacer nada ms con esta fila excepto cambiar su nombre a X2.
2. Los clculos de las otras filas y la funcin objetivo se muestran a continuacin.
La segunda tabla smplex es la tabla 12-15.
Tabla 12-15

Segunda solucin

Iteraciones adicionales. La columna con mayor valor negativo (C, - Zj) de la


tabla 12-15 es X5 (- 10M es un valor muy grande) y la variable de salida es X3 (se
escoge io/io, ya que 2O/o no est definido matemticamente y 14/-1 no es elegible, ya
que la razn es negativa).2
La tabla 12-16 es la tercera tabla smplex de este ejemplo. La nueva fila Xs se
calcula dividiendo la vieja fila X3 entre 10, el valor encerrado en un crculo en la
columna X5 y la fila X3 de la tabla 12-15. Los clculos de la fila X4, la fila X2 y la
fila Cj - Zj se presentan a continuacin.

La columna con mayor valor negativo (C, - Zj) de la tabla 12-16 es X{ (X3 es
no negativo, ya que es un valor muy grande). La variable de salida es X5.

En este punto podramos ahorrar varios pasos si reemplazramos la fila X$ con la variable X\. El ahorro total
de usar Xx es mayor que el ahorro total al usar X, pero el mtodo smplex basa su eleccin de la variable de
entrada en los costos unitarios. Si no se desarrolla el problema no se sabe que X es una opcin mejor; por lo
tanto , el uso del mtodo smplex siempre lleva a la solucin correcta, pero no simpre por la ruta ms corta.

368

Parte III Programacin matemtica

* Observe que en este punto las variables artificiales X yX6 ya no se encuentran en la solucin. Podran eliminarse de las tablas posteriores.

Tabla 12-16

Tercera solucin*

Tabla 12-17

Cuarta solucin

La tabla 12-17 es la cuarta tabla smplex de este ejemplo. La nueva fila X! es


(2,2/io, 0, -2,1,0,2), es decir, dos veces la vieja fila X5. A continuacin se muestran
los clculos de las filas XA, X2 y C - Zj.

Con la tabla 12-17 hemos llegado a una solucin ptima, ya que todos los
valores de la fila C, - Z son positivos o cero.

Captulo 12 Programacin lineal

369

La solucin ptima consiste en usar dos unidades (10 kilogramos) de A y 14


unidades (140 kilogramos) de B. Esta combinacin tiene un costo de 116 dlares,
la combinacin de menor costo posible de materias primas consistente con las
restricciones. El producto final pesa 150 kilogramos; hay dos unidades de X! < 20,
14 unidades de X2 14; por lo tanto se satisfacen las restricciones. Aunque fue ms
fcil resolver este problema con el anlisis grfico, si el problema fuera ms complicado (por ejemplo, 30 materias primas y 20 restricciones), tendramos que usar
el mtodo smplex por computador para obtener una solucin ptima.
RESUMEN

Resumen del procedimiento smplex:


1. Modificar las restricciones:
Aadir una variable de holgura para cada restriccin del tipo "menor o igual".
Agregar una variable artificial para cada restriccin de igualdad.
Aadir una variable artificial y una de excedente para cada restriccin del tipo
"mayor o igual". Asignar, a cada variable artificial, un costo muy grande
(beneficios negativos)
en la funcin objetivo.
2. Identificar la solucin inicial compuesta por las variables artificiales y de
holgura.
3. Revisar si es ptima. La solucin actual es ptima si:
En el caso de maximizacin, todos los coeficientes de la fila C, - Z, son cero o
negativos. En el caso de minimizacin, todos los coeficientes de la fila Cy Z, son cero o
positivos. Si se ha llegado a una solucin ptima se detiene el
procedimiento smplex.
4. Variable de entrada. Es la variable asociada con el mayor coeficiente positivo
(para maximizacin) o negativo (para minimizacin) de la fila C - Z.
5. Variable de salida. Calcular, para cada fila, la razn de los valores de la columna
"Valores de solucin" divididos entre los coeficientes de la columna de la
variable de entrada. Omita las razones negativas. La variable de salida ser
la que corresponda a la fila que tiene la menor razn.
6. Resolver de nuevo la ecuacin, como sigue:
a. Identificar el elemento pivote como el coeficiente de la columna de la
variable de entrada y la fila de la variable de salida.
b. Dividir todos los coeficientes de la fila de la variable de salida entre el
elemento pivote.
c. Modificar todas las otras filas, posiblemente incluyendo la fila de funcin
objetivo, de la siguiente manera:

370

Parte III Programacin matemtica

Tabla 12-18

Tabla 12-16 modificada

7.* Calcular las Zj. Para la columna y": para cada fila, multiplique los coeficientes
de sustitucin por el valor de C para esa fila y luego sume. El total es Zj.
Repita este paso para todas las columnas.
8.* Calcular las C - Z. Reste los valores Z a los coeficientes de la funcin
objetivo original (CJ) de la parte superior de la tabla.
9. Regrese al paso 3.

Situaciones especiales
A continuacin presentaremos algunas situaciones poco comunes que pueden
causar algunas confusiones. Cada situacin se presentar con un ejemplo.
Ejemplo 3:
Problema
con solucin
infinita

En algunos casos es posible que un problema de programacin lineal no tenga una


solucin finita. Por ejemplo, suponga que la tercera tabla smplex del ejemplo 2
(Tabla 12-16), aparece como se muestra en la tabla 12-18.
La variable Xx es la de entrada. La columna Xx se ha cambiado para que todos
sus coeficientes sean negativos, no slo (C, - ZJ) (como sucedi en la Tabla 12-16).
En esta situacin no hay una solucin ptima finita. Si se maximizaran los
beneficios se presentara una situacin anloga si el total (C - ZJ) fuera positivo
y todos los coeficientes de la columna fueran negativos.
La (C, - Zj) negativa de la tabla 12-18 indica que se ahorran 12 dlares de
costos por cada unidad de X, que se introduzca en la solucin. Sin embargo, los
coeficientes negativos de -V2, -1 y -V2 indican que por cada unidad de Xx que se
introduzca en la solucin, digamos como sustituto de X5, aumentar la capacidad
de introducir unidades adicionales. Entonces, la accin deseable sera continuar
aadiendo unidades de Xx. Cuanto ms Xx se use, ms bajos son los costos; el
problema no tiene una solucin ptima finita, ya que no hay restriccin para Xx.
Si surge la situacin anterior, lo ms probable es que se deba a una restriccin
mal planteada o a datos incorrectos. Las situaciones empresariales correctamente

* No hay que efectuar estos pasos si se calcul la fila C - Z en el paso 6 (c).

371

Captulo 12 Programacin lineal

Tabla 12-19

Segunda modificacin de la tabla 12-16

descritas, pocas veces darn como resultado una solucin infinita como la que se
acaba de presentar.
Ejemplo 4:
Soluciones
mltiples

Un problema de programacin lineal puede tener ms de una solucin ptima. En


este caso, dos (o ms) soluciones bsicas3 tendrn el mismo beneficio (o costo).
Modifiquemos de nuevo el problema del ejemplo 2 para ilustrar esta situacin.
Suponga que el costo unitario de la materia prima A es cuatro dlares, en lugar
de dos dlares. Entonces, la tabla 12-16 (con la modificacin y excluyendo las
variables artificiales X3 y X(,) aparecera como se muestra en la tabla 12-19.
Ninguno de los valores Cj - Z es negativo, lo cual indica que se ha llegado a
una solucin ptima. Pero debe observarse que la variable X no es una variable de
solucin y que C - Z, = 0. Esto indica que la variable X, se puede incorporar a
la solucin sin aumentar o reducir el costo. Si se incorpora, el resultado es el
mismo que se present en la tabla 12-17 (excepto que el costo total es de 120
dlares, ya que X\ ahora cuesta cuatro dlares por unidad). Las dos soluciones son:

Materia prima A
Materia prima
Costo Total

Solucin 1

Solucin 2

0
15
$120

2
14
$120

Degeneracin
Recuerde que la solucin bsica de un problema de programacin lineal con m
restricciones supone la seleccin de m variables de solucin y luego la asignacin
del valor cero a las variables restantes. Por lo general, al resolver las ecuaciones,
las variables de solucin escogidas tendrn valores positivos (distintos de cero).
No obstante, puede suceder que una o ms de las variables de solucin sean cero.

Adems, cualquier combinacin convexa de estos vrtices es una solucin ptima.

372

Parte III Programacin matemtica

Esta situacin es una degeneracin. Se dice que hay degeneracin cuando hay
menos de m variables de solucin distintas de cero para m ecuaciones de restriccin, e indica que por lo menos una de las ecuaciones de restriccin es redundante
para la solucin dada.
La degeneracin se presenta cuando se unen dos variables o ms en la seleccin
de la variable de salida durante el procedimiento smplex. La degeneracin es
un problema potencial, ya que en teora es posible que el procedimiento smplex
produzca ciclos y regrese a soluciones anteriores, sin llegar nunca a la ptima. En
la prctica pocas veces se presenta este ciclo y los programas de computacin casi
nunca tienen dificultades para llegar a la solucin ptima incluso si hay degeneracin. Durante la ejecucin manual del procedimiento smplex, si hay un empate
en la definicin de la variable de salida, escoja cualquiera en forma arbitraria. Si
se presenta un ciclo y reaparece una solucin en las tablas, regrese al punto en el
cual se present el empate y seleccione otra de las variables.
La degeneracin tambin causa otros problemas en la interpretacin de los
resultados de programacin lineal (vase el apndice del captulo 11 para conocer
ms al respecto).
Ejemplo 5:
No hay solucin factible

Es posible que las ecuaciones de restriccin no sean consistentes con las soluciones factibles. Por ejemplo, suponga que se tiene:

No hay valores de X, y X2 que cumplan las tres restricciones.


En este ejemplo es obvio que las restricciones son contradictorias y que no hay
una solucin factible. Por ello no es tan evidente en un problema ms complicado.
La falta de una solucin factible se puede detectar en la tabla smplex. En algn
punto de este procedimiento se presenta una solucin que parece ser el ptimo
(todos los coeficientes de la fila C - Z- son no positivos en una maximizacin,
o no negativos en una minimizacin). Sin embargo, una de las variables de
solucin es artificial. Los programas de computacin se detendran en este punto
y presentaran un mensaje que seala la inexistencia de una solucin factible.
En una situacin empresarial, la inexistencia de una solucin factible generalmente indica un error en la formulacin del problema o durante el registro de
datos. Si usted aplica algunos de los ejercicios de este libro en un computador
y encuentra el mensaje "no hay solucin factible", debe revisar su formulacin y
sus datos.

RESUMEN

Algunas situaciones especiales que ocurren al resolver problemas de programacin lineal son:

Soluciones infinitas, en las cuales no hay lmite para una variable de entrada
y por lo tanto hay rentabilidad ilimitada.

Captulo 12 Programacin lineal

373

Inexistencia de una solucin factible, cuando las condiciones son tan restrictivas que no hay manera de satisfacerlas.

Ambas situaciones se pueden detectar durante el procedimiento smplex. En la


mayora de los casos la causa es la formulacin inadecuada del problema o los
datos incorrectos.
Los problemas de programacin lineal pueden tener soluciones mltiples. Esta
situacin se indica cuando una de las variables externas tiene valor Cy - Z igual
a cero en la solucin ptima.
La degeneracin se presenta cuando por lo menos una de las variables de
solucin es igual a cero.

Anlisis de sensibilidad
Los modelos de programacin lineal no slo ofrecen a los gerentes una solucin
ptima, sino tambin una amplia gama de informacin que puede proporcionar
conocimiento adiciona] acerca del problema que se resuelve. A este anlisis se le
llama anlisis de sensibilidad y se estudi con detalle en el captulo 11. Volvemos
a tocar este tema para mostrar cmo se obtiene la informacin del procedimiento
smplex.
Interpretacin econmica de los valores Cj - Zj
Considere primero la interpretacin econmica de los valores C - Z, la fila
inferior de la tabla smplex. Recuerde que Z es el costo de oportunidad de
la introduccin de una unidad de la variable j en la solucin, o sea, el costo
de sustituir otras variables de solucin. C representa el beneficio por unidad;
entonces, C - Z equivale al beneficio neto (beneficio menos costo de oportunidad) que se obtiene de la introduccin de una unidad de y en la solucin.
Como muestra, regresemos al ejemplo 1 de este captulo, un problema con
dos productos y restricciones acerca del tiempo disponible en dos mquinas.
La situacin final se presenta en la tabla 12-12 y se ha reproducido en la
tabla 12-20. Considere primero el valor C, - Z asociado con una variable de
holgura, como sera X3 en la tabla 12-20. La variable X3 es la variable de holgura
que se relaciona con la primera restriccin: el lmite del tiempo disponible en la
mquina 1. En la solucin ptima de la tabla 12-20, C - Z tiene valor de -2, lo
cual indica que la introduccin de una unidad de X3 (es decir, una hora de holgura)
en la solucin reducir el beneficio en dos dlares. Observe que la introduccin
de una unidad de holgura en la solucin equivale a reducir en una hora la
capacidad de la mquina 1. Por lo tanto, los valores C - Z de las variables de
holgura se pueden considerar como los valores marginales asociados con los
cambios en la capacidad de la restriccin. En el captulo anterior llamamos
precios duales a estos valores marginales. Observe que los valores Cj - Z de la
tabla 12-20 son exactamente iguales (con excepcin del signo) a los precios duales

374

Parte III Programacin matemtica

Tabla 12-20

Tabla final del ejemplo 1

que se obtuvieron en forma grfica y en los resultados del programa de computacin del captulo II. 4
Cuando no se incluye una variable de decisin en la solucin ptima, el valor
de Cj - Zj representa el costo de introducir una unidad en la solucin. El trmino
costo reducido se utiliz en el captulo 11 para designar este costo.

Intervalos del trmino independiente


La interpretacin del precio dual de X3 en la tabla 12-20 es que una hora
adicional en la mquina 1 valdra dos dlares. Nos podramos preguntar lo
siguiente: Si comprramos horas adicionales para la mquina 1 a menos de dos
dlares, podramos aumentar nuestros beneficios indefinidamente aadiendo
ms horas?
La respuesta a esta pregunta se puede obtener examinando la columna X3 de la
tabla 12-20. Recuerde el significado de los coeficientes de la tabla; si introducimos
una unidad de X3, sta reemplazara Vz unidad de X2 y -'/ de unidad de X! (es
decir, en realidad se agregara '/t de unidad de Xt).
Entonces, es posible responder la pregunta anterior si se considera cunto
puede cambiar X3 antes de que ocurra una variacin en la solucin.
Si se introduce una X3 positiva en la solucin, la interpretacin es que habr
horas de holgura adicionales en la mquina 1 y, por lo tanto, se reduce la cantidad
de horas que se usarn para la produccin. El proceso de introducir X3 en la tabla
es lo mismo que efectuar una iteracin del procedimiento smplex con X3 como
variable de entrada. Se divide la columna "Valores de solucin" entre la cantidad
localizada en la fila correspondiente de la columna X3. El menor nmero no
negativo que se obtenga representa la cantidad de unidades de X3 que pueden
entrar. En el ejemplo:

El anlisis grfico y la solucin de computador del captulo 11 se efectuaron con una versin modificada del
ejemplo 1, en la cual se incluy una restriccin adicional para la demanda del producto B. Por ello los resultados
del anlisis de sensibilidad efectuado en este capitulo no son totalmente comparables.

Captulo 12 Programacin lineal

375

Aqu, la fila X2 es la nica con valor positivo y por lo tanto es tambin el menor
valor no negativo. Esto quiere decir que se pueden introducir ocho unidades de
X3 antes de que la variable X2 salga de la solucin. En trminos del problema,
significa que se puede recortar un mximo de ocho horas de las disponibles en la
mquina 1 antes de que se detenga la produccin de A.
Tambin se puede considerar la adicin de una Xj negativa, lo cual equivale a
tener ms horas disponibles en la mquina 1. Para considerar la introduccin de
una X3 negativa en la tabla, se puede proceder igual que antes, pero hay que
multiplicar todos los valores de la columna X3 por -1 antes de continuar con el
siguiente paso del procedimiento smplex. Entonces, se tendra:

Como antes, el menor valor no negativo determina cuntas unidades de X3


negativa se pueden introducir. En este caso es 24; despus de aadir 24 horas (es
decir, X3 negativa) en la mquina 1, la variable X, se convierte en cero y sale de
la solucin.
Los dos pasos se pueden combinar en uno solo. Observe las razones entre la
columna "Valores de solucin" y la columna de la variable de holgura. El menor
valor no negativo determina la cantidad de la reduccin; la menor razn no
positiva (la ms cercana a cero) determina la cantidad del aumento.5
Hemos obtenido un intervalo de valores relativos a la cantidad de tiempo
disponible en la mquina 1. Comenzamos con 24 horas disponibles y despus se
encontr que se podan quitar ocho horas o agregar 24 antes de que cambiara la
composicin de la solucin. Por lo tanto, hay un intervalo de 16 a 48 para las horas
disponibles en la mquina 1, ms all del cual no cambia la composicin de la
solucin bsica. Recuerde que el precio dual de una hora marginal de la mquina
1 era de dos dlares (el valor C - Z, de la tabla 12-20). Este valor se mantiene en
el intervalo que se acaba de determinar. En resumen, el tiempo de la mquina 1
Para esta regla se considera positiva una razn de cero dividido entre un nmero positivo, y negativa una de
cero dividido entre un nmero negativo.

376

Parte III Programacin matemtica

tiene un valor de dos dlares por hora en un intervalo de 16 a 48 horas disponibles


(suponiendo que las horas de la mquina 2 se quedan fijas en 16).
Observe que el intervalo de 16 a 48 es aquel en el cual la composicin de la
solucin no cambia. Es decir, no vara la lista de variables de solucin. Los valores
de solucin cambiarn al haber ms o menos tiempo disponible en la mquina 1.
Adems, los beneficios totales cambiarn a razn de dos dlares por hora (el valor
marginal de X3) con los incrementos en el tiempo de la mquina 1.
El mismo tipo de anlisis se puede aplicar al tiempo disponible en la mquina
2. La variable de holgura relacionada con la mquina 2 es X4 . Observe las razones
entre la columna "Valores de solucin" y la columna de la variable de holgura
para X4.

Como se seal antes, el menor valor no negativo determina la cantidad de la


reduccin; la menor (en el sentido de estar ms cerca de cero) razn no positiva
determina el aumento. La mquina 2 tiene 16 horas disponibles y tanto el aumento
como la reduccin en este caso son de 8 o un intervalo de 8 a 24 horas.
En la tabla 12-21 se presenta un resumen de estos resultados.
En algunos casos no se usa toda la capacidad disponible de una restriccin y
la variable de holgura tendr un valor positivo en la solucin. En estos casos el
precio dual es cero; no se usa toda la capacidad disponible, por lo que no tiene
valor la capacidad adicional. En esta situacin no hay un lmite superior para el
intervalo en el cual se mantiene el precio dual. Sin embargo, cunto se podra